Jul, 2023

PLIERS：基于用户流行度的在线社交网络内容传播推荐系统

PDF
TL;DR本文提出了一种新颖的基于标签的推荐系统 PLIERS，其假设用户主要对与他们已经拥有的物品和标签相似流行度的物品和标签感兴趣，旨在在算法复杂度和个性化推荐水平之间取得良好的平衡。通过在真实的在线社交网络数据集上进行一系列实验证明了 PLIERS 在个性化程度、相关性和推荐新颖性等方面胜过现有解决方案。
tag-based recommender systempliersalgorithmic complexitypersonalizationrecommendations
发现论文，激发创造
  • 基于用户 - 物品 - 标签三分图的一体化扩散个性化推荐

    本篇论文提出了一种基于用户 - 物品 - 标签三元图的整合扩散的推荐算法，利用协同标签信息，在三个数据集上评估了算法的准确性、多样性和新颖性，实验结果表明利用标签信息可以显著提高推荐的准确性、多样性和新颖性。

    Apr, 2009

  • 大规模推荐系统的个性化兴趣探索

    该研究提出了一种适用于大规模推荐系统的探索框架，通过探索用户利益与行为，缓解推荐流程中普遍存在的 “热门内容” 问题，提高探索视频推荐中的优化率。

    Apr, 2023

  • 捕捉流行趋势：一种简单的非个性化方法来增强项目推荐

    通过对物品的流行程度进行建模，Popularity-Aware Recommender (PARE) 能够提供非个性化推荐方法，以作为现有推荐系统的补充。PARE 的四个模块分别关注流行历史、时间影响、周期影响和附加信息，并通过注意力层将四个模块的输出进行融合，实验证明 PARE 在性能上能与现有推荐方法媲美甚至更好。此外，PARE 的简化设计使其在工业应用中具有极高实用性，并可作为未来研究的宝贵基线。

    Aug, 2023

  • 基于流行度的推荐的局限性及社交关系的作用

    通过一个数学模型研究了基于流行度和社交关系的推荐系统。结果表明，在一些普遍的条件下，市场总会收敛到一个稳定状态。通过实验进一步证明，实际社交网络中的社交图表现出一定的防止市场失真的作用，即使存在高度具有影响力的用户。

    Jul, 2016

  • 通过个性化重新排序管理推荐系统中的流行度偏差

    本文介绍了一种基于个性化多样化重新排序的方法，以增加不受欢迎的项目在推荐中的表现，同时保持良好的推荐准确性，并展示了其对比现有基于规范化的方法对处理受欢迎程度偏差更有效，同时检验了各种新的和现有的指标来衡量推荐中长尾商品的覆盖率。

    Jan, 2019

  • SPAR：个性化基于内容的推荐通过长时交互关注

    通过利用预训练语言模型 (PLMs) 对用户的长期参与历史进行编码，本研究引入了一个名为 SPAR 的基于内容的推荐框架，有效解决了从长期用户参与历史中提取整体用户兴趣的挑战，并通过利用大型语言模型 (LLM) 来提取全球兴趣，通过在会话级别上编码用户历史，实现了用户和物品特征的充分融合，从而在实际模型部署中既能有效预测用户参与，又能保持双方的独立表示，其在两个基准数据集上的广泛实验表明，超过了现有最先进的方法。

    Feb, 2024

  • 偏好网络：面向推荐系统的概率模型

    论文提出了一种统一的框架 ——Preference Network (PN)，用于推荐系统任务。PN 将基于内容过滤和协作过滤相结合，支持评分预测和 top-N 推荐等查询，并采用了一种简单但有效的伪似然估计方法来解决大规模用户和项目网络学习的难题。实验表明 PN 具有明显的优点。

    Jul, 2014

  • 推荐系统中的流行度偏差调查

    推荐系统中普遍存在的流行度偏差问题，导致推荐结果集中在热门物品，本文回顾了流行度偏差的潜在原因和现有方法，并批判性地讨论了当前文献的局限性。

    Aug, 2023

  • PALR: 面向个性化的推荐学习模型

    本文提出了一种名为 PALR 的新框架，旨在将用户历史行为与大型语言模型相结合，生成用户喜欢的商品。实验结果表明，与现有方法相比，我们的解决方案在各种连续推荐任务上表现优异。

    May, 2023

  • PP-Rec: 新闻推荐与个性化用户兴趣和时间感知新闻热度

    本文提出了一种个性化新闻推荐方法，它通过将新闻的热门信息和用户兴趣结合，从而解决了针对新用户和兴趣多样化的问题，提高了推荐的准确性和多样性。

    Jun, 2021