Aug, 2023

基于主题的贝叶斯惊喜和巧合的推荐系统

PDF
TL;DR我们提出了一种基于内容的机制，利用贝叶斯惊喜度量消费者收看并给出评分后物品的惊喜性，并结合协同过滤组件来推荐具有高惊喜潜力的物品，从而避免推荐系统中的筛泡现象。通过实验证明，使用贝叶斯惊喜能够更好地与主题级惊喜手动注释的相关性，并获得更好的推荐性能。
recommender systemfilter bubbleserendipitycontent-based formulationbayesian surprise
发现论文，激发创造
  • 针对用户的个性化意外推荐系统，用于提高用户满意度

    本研究提出了一种基于个性化的惊喜推荐系统模型（PURS），通过在潜在空间中提供多簇用户兴趣建模和通过自我关注机制和适当的激活函数选择实现个性化惊喜，显著优于目前现有的基于线下实验的方法，同时还可以在在线测试中提高用户平均视频观看量。

    Jun, 2021

  • 基于贝叶斯的对话式推荐系统

    基于贝叶斯方法的对话式推荐系统，通过概率质量函数更新物品，信息理论标准最优地塑造互动并决定何时结束对话，并相应地推荐最可能的物品，结合历史数据进行先验信息推断，应用于 stagend.com 平台，并通过实证分析显示出推荐质量和效率方面的优势。

    Feb, 2020

  • 将评论整合到个性化排名中以进行冷启动推荐

    该研究提出了两种将商品评论融入贝叶斯个性化排名的新颖简单模型，并通过六个真实数据集的实验，证明了融入商品评论对于推荐系统预测排序的益处。

    Jan, 2017

  • 协同过滤预测算法的实证分析

    该文章描述了几种算法来实现协同过滤或推荐系统，并使用不同的评估方法比较了它们的预测准确性。结果表明，在大多数情况下，每个节点具有决策树的贝叶斯网络和相关性方法优于贝叶斯聚类和向量相似度方法。

    Jan, 2013

  • 推动基线推荐系统的极限：结合意见挖掘和信息检索技术的综述

    本文综述了混合推荐系统的新模型与架构，并识别了每种模型的优缺点及其具体应用场景。

    May, 2022

  • 人类对惊喜的知觉：用户研究

    本研究研究了人类和算法在评估事实中各自对惊奇的评估，在考察中发现了计算模型可以被用于人工诱导惊奇。

    Jul, 2018

  • 通过个性化兴趣可持续性实现的连续推荐

    本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

    Sep, 2022

  • 一种在线协作过滤的潜在源模型

    本研究针对协同过滤在推荐系统中的广泛应用， 介绍了一个基于余弦相似度的在线协同过滤推荐模型，通过探索物品和用户之间的相似关系，期望最大化用户接受推荐的物品数量。研究结果表明，该算法在不知道用户类型数的情况下，经过几步初始探索，就可达到最佳表现。

    Oct, 2014

  • 探究基于会话的推荐系统中的流行度偏见

    通过分析 session-based 推荐任务的唯一特性，对倾向性进行独特计算，研究在不同数据集上的倾向性分布和不同分层技术，在推荐系统的大规模离线评估中取得了令人期待的结果。

    Dec, 2023

  • 学习内容相似度进行音乐推荐

    本文提出一种由协同过滤数据样本优化得到的基于内容相似度度量的音乐推荐系统，能够对于新颖或不受欢迎音乐领域的查询给出高精度和高效率的回答，并且在实验中得出了显著的精度改善。

    May, 2011