Jul, 2023

推荐去除学习通过矩阵校正

PDF
TL;DR推荐系统是为用户提供个性化服务的重要工具，但庞大的用户数据收集引发了隐私（如敏感数据）、安全（如恶意数据）和效用（如有害数据）方面的担忧。本文提出了一种相互作用和映射矩阵修正（IMCorrect）方法用于推荐系统去学习，通过修正相互作用矩阵和映射矩阵来提高完整性和效用，且无需昂贵的模型重训练。IMCorrect 是一种白盒模型，具有处理各种推荐系统去学习场景的灵活性，同时具备从新数据中逐步学习的独特能力，进一步增强其实用性。综合实验验证了 IMCorrect 的有效性，结果表明其在完整性、效用性和效率性方面优于其他方法，并适用于多种推荐系统去学习场景。
发现论文，激发创造
  • 推荐算法遗忘

    本论文提出了 RecEraser，一种针对推荐任务的通用，高效的机器遗忘框架，该框架将培训集分为多个分片，并为每个分片训练一个组成模型。通过三种新颖的数据分区算法将培训数据分成基于它们相似性的平衡组，然后提出一种自适应聚合方法来提高全局模型效用，实验结果表明，RecEraser 不仅可以实现高效的遗忘，而且在模型效用方面也优于最先进的遗忘方法。

    Jan, 2022

  • 多模态推荐去学习

    本文介绍了 MMRecUN，一种用于多模式推荐系统的新框架，通过使用反向和正向 BPR 损失机制来选择性地减弱忘记集合内的相互作用的影响，同时加强保留集合内的相互作用的重要性，从而实现更好的推荐回召率性能，并且相较于基准方法，MMRecUN 在移除目标元素、保留元素性能维持以及开销方面具有更优越的性能。

    May, 2024

  • 协同翻译度量学习

    本文介绍了 TransCF 推荐算法，通过利用邻域信息，利用翻译机制构造用户 - 项目特定的翻译向量，并根据用户与项目的关系把用户向项目进行翻译， 用于解决潜在用户 - 项目关系建模的难题，实验表明该算法在现实世界数据集上具有优异的推荐性能，超过了现有方法。

    Jun, 2019

  • 针对长尾中的用户和物品的自适应矩阵补全

    本研究发现 real-world 数据集中的评分偏差会影响基于矩阵补全的协同过滤推荐系统预测准确性，且建议采用基于评分数量的算法以提高预测准确性。

    Apr, 2019

  • 推荐系统的机器反学习：一种洞察

    该论文通过研究机器忘记（MUL）在推荐系统中的应用，讨论了适应性、个性化、隐私和偏见等挑战，并提出了类似传统模型的 MUL 通过根据用户偏好和伦理考量动态调整系统知识的方法。论文批判性地审查了 MUL 的基础知识、实际应用和算法透明度等挑战，并提供了关于 MUL 如何改变推荐、讨论用户信任以及未来研究方向的见解。该文档引导研究人员克服个性化与隐私之间的权衡挑战，鼓励提供满足有针对性的数据删除实际需求的贡献。同时，强调了 MUL 在安全和适应性机器学习中的作用，并提出了推动其发展边界的方法。该论文的创新之处在于对这些方法的局限性进行了探索，为推进该领域的发展提供了激动人心的前景。

    Jan, 2024

  • 面向开放世界推荐：一种基于归纳模型的协同过滤方法

    本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

    Jul, 2020

  • 推荐系统中的反馈循环去卷积

    本研究探究回推协作过滤算法中被反馈循环所影响的用户评分矩阵，提出了衡量推荐系统对其整个评分矩阵影响的度量，并通过合成和实际数据集验证了其在还原固有用户偏好上的可用性。

    Mar, 2017

  • 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

  • 非非学习：在先进生成型人工智能中，非学习不足以进行内容监管

    该论文讨论了在大型语言模型中使用取消学习作为一种控制机制，并发现取消学习在训练阶段是有效的，但无法阻止模型在推断过程中出现不合规的行为，因此对于有效的内容规范，需要进行内容过滤以及引入取消取消学习的概念来解决问题。

    Jun, 2024

  • 图卷积矩阵补全

    这篇研究论文从图的角度考虑了推荐系统的矩阵填充问题，提出了一个基于可微分消息传递的自编码器框架，并在该领域常用的协同过滤数据集中表现出了良好的性能，尤其是在结构化数据和社交网络数据等背景信息充足的场景中的表现更为优异。

    Jun, 2017