Jul, 2023

UniMatch: 多用途商家营销的统一用户 - 商品匹配框架

PDF
TL;DR通过模型对用户 - 商品的互动矩阵进行建模，并提出了一个修正双向偏差的损失函数，我们提出了一个统一的用户 - 商品匹配框架，以实现商品推荐和用户定位，深度减少了计算资源和日常维护成本，从而证明了我们的框架相对于现有方法的显著性能提升。
private domain marketingmachine learning modelsuser-item matching frameworkitem recommendationuser targeting
发现论文，激发创造
  • UniTRec: 一个文本到文本统一变换器和联合对比学习框架，用于基于文本的推荐

    本文提出了一种名为 UniTRec 的框架，它使用预训练语言模型来增强基于文本的推荐系统，其中该框架使用 Transformer 编码器和解码器来处理用户历史和候选文本，利用语言困惑度作为对比信号进行匹配，展现了 SOTA 的表现。

    May, 2023

  • UniRec：顺序推荐中统一性和频度的双重提升

    UniRec 是一个新颖的双向增强顺序推荐方法，利用序列一致性和物品频率来提高性能，特别是在表示不均匀序列和低频物品方面；与其他先进模型相比，在四个数据集上表现显著优越。

    Jun, 2024

  • uCTRL: 无偏差对比表示学习，通过排列和均匀性，用于协同过滤

    本文提出了一种基于 InfoNCE loss function 的无偏差对比表示学习方法（uCTRL），以有效消除协作过滤模型中的流行度偏差问题，并通过四种基准数据集的实验验证，证明其在 Recall@20 和 NDCG@20 上的性能优于现有的无偏导向推荐模型，最高可达 12.22％和 16.33％的增益。

    May, 2023

  • 可控制的多兴趣推荐框架

    本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

    May, 2020

  • UIPC-MF: 用户 - 物品原型连接矩阵分解用于可解释协同过滤

    UIPC-MF 是基于原型的矩阵因式分解方法，用于可解释的协同过滤推荐，通过学习反映用户和物品原型之间关联关系的连接权重，提供更好的透明度和较高的推荐性能。

    Aug, 2023

  • UNIMO：通过跨模态对比学习实现统一模态理解和生成

    本文介绍了一种名为 UNIMO 的统一单模态预训练架构，它可以有效地适应单模态和多模态理解和生成任务，利用大规模自由文本语料库和图像集合来提高视觉和文本理解的能力，并使用跨模态对比学习来将文本和视觉信息对齐到图像 - 文本对的统一语义空间。实验结果表明，UNIMO 显著改善了几个单模态和多模态下游任务的性能。

    Dec, 2020

  • 基于聚类和用户交互嵌入配置文件的高效无限用户 - 项目规模推荐系统

    本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

    Jan, 2024

  • 多种神经机器翻译的统一模型学习

    本文提出了一个通用的深度神经机器翻译模型， Unified Model Learning for NMT (UMLNMT)，它能够在多种翻译任务中实现智能的即时翻译，相较于基于具体数据集训练的模型，该模型的性能有了显著的提升，部署成本也大大降低，并且在生成多样化、高质量的翻译方面表现优异。此外，作者也提供了一个关于名言警句的中英文句子翻译数据集。

    May, 2023

  • 具有关注交互的非对称分层网络，用于可解释的基于评论的推荐

    本文中，我们开发了一种新颖的神经网络模型，通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。

    Dec, 2019

  • 多目标会话推荐系统的统一多任务学习框架

    提出了一种名为 UniMIND 的基于序列到序列范例的统一多目标会话推荐系统，采用基于提示的学习策略进行多任务学习，在两种 MG-CRS 基准（DuRecDial 和 TG-ReDial）上取得了最先进的性能。

    Apr, 2022