Jul, 2023

释放上下文的力量：利用基于上下文的预测模型增强大规模推荐系统

PDF
TL;DR引入了 Context-Based Prediction Models 这一概念，通过仅依赖用户和环境特征，而不考虑物品特定特征的方式来预测用户的行为概率，该方法在许多有价值的应用中表现出显著优势，包括训练辅助的上下文模型以估计点击概率，并将其预测作为 CTR 预测模型的一个特征进行加入，实验证明这种改进在离线和在线业务指标上带来了显著的提升，而对服务成本几乎没有影响，总体上，我们的工作为大规模商业推荐系统的性能提升提供了一种简单且可扩展却强大的方法，对个性化推荐领域具有广泛的影响。
context-based prediction modelsuser and contextual featuresclick probability estimationctr prediction modelslarge-scale commercial recommender systems
发现论文，激发创造
  • 建模电商搜索中用户的上下文化页面反馈，用以预测点击率

    该论文提出了一种新的上下文感知用户行为建模思路，通过包含完整页面上暴露的产品和相应的反馈作为上下文的页面级反馈序列，可以捕捉到页面内上下文信息和页面间兴趣演化，以学习更具体的用户偏好。作者设计了一种采用页面上下文感知注意力的新型神经排序模型 RACP，使用递归注意过程来建模页面间的兴趣收敛演化，实验在公开数据集和真实工业数据集上验证了该模型的有效性。

    Mar, 2022

  • 推荐系统中在线行为建模：时间上下文的重要性

    本研究探讨了在线推荐系统和离线评估之间的差异，提出了通过纳入时间因素来提高推荐系统性能的训练方法，并在实际数据集中验证了该方法的有效性。

    Sep, 2020

  • 基于上下文的在线社交平台用户参与度预测

    在线社交平台成功的关键在于它们能够以大规模预测和理解用户行为。我们展示了数据，表明上下文感知建模方法可能提供全面、轻量且可能保护隐私的在线社交平台用户参与表示。利用深度 LSTM 神经网络分析来自近 80,000 个用户的 1 亿多个 Snapchat 会话，我们证明了过去行为可以预测主动和被动使用的模式（R2=0.345），而与行为基线模型相比，整合上下文信息可以显著提高预测性能（R2=0.522）。与从应用内行为历史中提取的特征相比，与智能手机连接状态、位置、时间上下文和天气有关的特征被发现捕捉到了用户参与度中非冗余的变化。此外，我们还发现，如果考虑当时的上下文信息，大部分变化都可以用极简的行为历史来解释（R2=0.44）。这些结果表明，上下文感知方法有潜力通过减少对长期数据历史的需求来使模型更高效和保护隐私。最后，我们运用模型可解释性技术来初步了解潜在的行为机制。我们的发现与上下文相关、习惯驱动的主动和被动使用模式的概念一致，突显了上下文化用户行为表示对于预测社交平台用户参与的价值。

    Oct, 2023

  • 通过上下文和时态建模改进对话推荐系统，减少领域特定知识

    该论文探讨了从上下文中提取内部知识来进行个性化推荐的方法，包括实体级别和上下文级别的表示，以及一个时间感知关注机制和使用预训练的 BART 模型来初始化生成模块，结果表明这种方法在多种数据集上的表现优于使用更多外部领域特定知识的方法，并且具有诸多优点和适用场景。

    Sep, 2022

  • 基于上下文的推文互动预测

    利用 RecSys 挑战数据集和评估程序，研究了仅利用上下文是否能够预测推文互动概率，并发现用户的先前互动历史、标签和链接的热度等特征对预测最具信息量。然而，相较于只基于内容的模型和挑战胜利者开发的模型，这些基于上下文的模型在 RCE 得分方面表现出较低。因此，提出了改进实现的潜在改进方法。

    Sep, 2023

  • 多视角交互式协同过滤

    本研究提出了一种名为 MV-ICTR 的推荐算法，能够同时处理评分和背景信息，利用潜在因子对物品依赖特征进行建模，并采用多臂赌博策略进行长期在线个性化推荐，适用于冷启动用户和物品占比高的数据集，提高了推荐性能。

    May, 2023

  • 带上下文树的个性化新闻推荐

    本文介绍了一种基于上下文树的新闻推荐系统，能够根据用户的浏览行为为匿名访客提供高质量、准确、新颖的新闻推荐。该系统能够很好地捕捉新闻文章的独特性质，并提供良好的预测准确性。

    Mar, 2013

  • 基于 B2C 在线零售平台上的历史用户操作的大规模购买预测

    用机器学习和回归分类方法，以及集成模型为主的方法实现 Tmall 网站上的下一次购买预测，最终取得 F1Score 为 6.11 分，排名第七。

    Aug, 2014

  • 面向上下文的用户 - 物品表示学习用于物品推荐

    该论文提出了一种名为 CARL 的新型上下文感知用户 - 物品表示学习模型，可用于评级预测，其采用因子分解机进一步建模用户 - 物品对的更高阶特征交互，并通过卷积和注意力机制提取相应的评论特征和交互特征。五个真实数据集上的实验证明，CARL 比现有的最先进的替代方案实现了显着更好的评分预测准确性，并使用注意力机制突出显示评论中的相关信息以解释评级预测。

    Dec, 2017

  • 借助循环神经网络进行具有上下文的混合会话新闻推荐

    提出了一种基于上下文、深度学习的会话式新闻推荐方法，通过考虑文章流行度和新颖性等多种信息类型，显著提高了推荐准确性和目录覆盖率，并且能够在准确性和新颖性之间进行平衡。

    Apr, 2019