Aug, 2023

从负面用户反馈学习和衡量顺序推荐器的响应性

PDF
TL;DR我们将负面用户反馈引入了序列推荐器的训练目标中，在检索阶段使用一种 “不推荐” 的损失函数来优化不推荐带有负面反馈的项目的对数似然。我们通过在大规模工业推荐系统上进行实时实验来证明了这种方法的有效性。此外，我们通过开发一个对照模拟框架来衡量推荐器对负面反馈的响应能力，展示了建模变化带来的响应能力改进。
发现论文，激发创造
  • 评分的五十种变化：如何在 Top-N 推荐任务中受益于负反馈

    提出了一种使用三阶张量分解技术进行在线协同过滤的方法，该方法可通过处理用户反馈作为分类变量建模，并对评价指标进行调整，消除负面反馈的影响，从而提供优质推荐，实现一开始即可个性化推荐。与标准的协同过滤不同，该方法同样精确预测相关物品，即使仅获得负面反馈。同时，在无正反馈情况下，该方法的性能显著优于其他方法，达到了最先进的质量水平。

    Jul, 2016

  • 利用深度强化学习进行带有负反馈的推荐

    文章提出了一种利用强化学习学习交互过程中优化策略的推荐系统，通过深度学习框架将正反馈同时整合到系统中进行优化，证明了该方法可以提高推荐精度。

    Feb, 2018

  • 音乐个性化的负反馈

    使用真实的负反馈作为输入和训练目标，在网络广播的下一首推荐系统中，有助于减少训练时间约 60％，并提高测试准确性约 6％；同时，添加用户跳过作为额外输入还可以显著增加用户覆盖率并略微提高准确性。

    Jun, 2024

  • 个性化负反馈贮存器在推荐系统中的增量学习

    为了改善用户体验，推荐系统需要不断扩展和提升模型，但这会带来更多的计算负担。本文提出了个性化的负样本储备策略，平衡了遗忘与可塑性，有效地处理增量学习问题。通过在三个常用的增量推荐模型中整合我们的设计，我们实现了在标准基准测试中的最新成果。

    Mar, 2024

  • 正面、负面和中性：基于会话的新闻推荐中的隐式反馈建模

    研究了匿名用户的新闻推荐问题，提出了一种基于正负反馈的用户行为建模框架，综合考虑用户和文章的观看时间等不同反馈信息，以实现更精确、多样化和出乎意料的推荐效果。

    May, 2022

  • 推荐系统中的损失厌恶：利用用户负面偏好提高推荐质量

    描述了一种新的推荐算法，该算法明确地建模了负面用户偏好，以便在推荐列表的顶部推荐更多积极的物品，从而提高准确性并减少负面物品的数量。

    Dec, 2018

  • 利用自注意力机制来加强负向信号在序列音乐推荐中的作用

    使用基于 transformer 的自注意力架构来学习顺序音乐推荐中的隐式会话级信息，同时提出一项对比学习任务来纳入负面反馈，以促进正面命中和惩罚负面命中，并通过实验证明这种方法相比忽略负面用户反馈的基准架构具有一致的性能提升。

    Sep, 2023

  • 非偏向性推荐系统学习来自缺失非随机暗示反馈的信息

    针对推荐系统中存在的正 - 未标记问题，本研究提出一种理想损失函数和无偏估计器，并进一步提出一个剪切估计器来通过平衡偏差和方差来改进推荐系统的性能。半合成和真实实验表明，该方法在最大化推荐物品相关性方面具有更好的性能，特别是对于在训练数据中很少出现的物品。

    Sep, 2019

  • FeedRec: 利用各种用户反馈的新闻推荐

    为了提高新闻推荐的用户兴趣模型和模型训练的效果，我们提出了一种利用各种用户反馈的统一用户建模框架，并采用强到弱的注意力网络来提炼正负用户兴趣，以及采用多反馈模型训练框架来学习关注度感知的新闻推荐模型。

    Feb, 2021

  • 针对召回导向的神经信息检索的相关性反馈策略

    通过基于 BERT 的密集向量搜索产生的相关排名，并基于累积求和的查询和选择的嵌入，我们提出了一种更注重召回率的减少审核工作量的方法，该方法可与基线方法相比，以固定的召回目标为基础，减少 17.85% 至 59.04% 的审核工作量。

    Nov, 2023