预训练神经推荐系统：一个可迁移的零样本框架

Sep, 2023

预训练神经推荐系统：一个可迁移的零样本框架

Pre-trained Neural Recommenders: A Transferable Zero-Shot Framework for Recommendation Systems

Junting Wang, Adit Krishnan, Hari Sundaram, Yunzhe Li

TL;DR通过利用用户 - 物品交互矩阵的统计特性，我们学习了用于支持无需用户或物品辅助信息的零 - shot 自适应（zero-shot recommendation）的通用表示，从而探索了预训练推荐模型在新领域构建推荐系统的可能性。

Abstract

Modern neural collaborative filtering techniques are critical to the success of e-commerce, social media, and content-sharing platforms. However, despite technical advances -- for every new application domain, we need to train an NCF model from scratch. In contrast, pre-trained vision

neural collaborative filtering pre-trained recommender models zero-shot recommendation user-item interaction matrix universal representations

发现论文，激发创造

零样本推荐系统

本文研究在只有旧数据集的条件下，通过零样本学习推荐系统，提出一种基于自然语言描述的特征提取方式和一种表示用户与物品互动的方法，并在三组真实数据上进行实验验证，证明该方法能够在缺乏数据的创业公司或早期产品中发挥重要作用。

May, 2021

预训练推荐系统：因果去偏见观点

通过训练泛域用户 - 物品交互数据，我们提出了一个适应性泛型推荐系统，该系统能够捕捉通用交互模式，并能在不同领域中快速适应以提高零样本和少样本学习性能。然而，不同领域的推荐数据存在域内和跨域偏差，我们通过引入因果去偏视角和预测模型 PreRec 有效克服了这一挑战，实证结果表明在跨市场和跨平台场景下，该模型能显著提升推荐性能。

Oct, 2023

神经协同过滤

本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

Aug, 2017

基于多任务产品知识图预训练的零样本基于物品的推荐

通过预训练知识图谱网络，该研究使用多种关系类型及协同过滤刻画零样本商品以提升预测效果并验证其在各大市场上的效果。

May, 2023

基于上下文不变量的迁移学习用于一对多跨领域推荐

文中介绍了一种基于神经层的跨领域推荐系统学习方法，使用共享组件来指导神经协同过滤器，通过学习稀疏交互数据中的用户和项目表示来实现推荐功能。

May, 2020

具有共享用户嵌入的交叉属性矩阵分解模型

通过将深度学习技术应用于推荐系统，本文提出了一种改良的跨属性矩阵因子分解模型，该模型不仅考虑了用户与物品之间的交互，还跨越了相关属性，有效解决了冷启动问题。实验证明，在高数据稀疏性的情况下，该模型在 Movielens 和 Pinterest 数据集上表现优越。

Aug, 2023

神经协同排名

本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

Aug, 2018

基于预训练大型语言模型的多模态推荐零样本

利用生成型 AI 领域的最新进展，我们提出了一种用于零样本推荐多模态非稳态内容的方法。我们将不同类型的输入呈现为文本描述，并利用预训练的 LLMs 通过计算语义嵌入来获取它们的数值表示。一旦获得了所有内容项的统一表示，可以通过计算它们之间的适当相似性度量进行推荐而无需额外的学习。我们在合成的多模态推动环境中展示了我们的方法，其中输入包括表格、文本和视觉数据。

Sep, 2023

使用预训练的大型语言模型进行零样本下一项推荐

研究发现，使用 Zero-Shot Next-Item Recommendation (NIR) 方法可以使 GPT-3 模型在没有用户历史交互记录信息的情况下，成功地推荐电影，且在电影推荐方面，它甚至可以胜过一些训练有素的顺序推荐模型。

Apr, 2023

神经图协同过滤

本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

May, 2019