Sep, 2023

CPMR：基于上下文的增量顺序推荐与伪多任务学习

PDF
TL;DR通过创建三种不同动态下的用户和项目表示（静态嵌入、历史时间状态和上下文时间状态），同时使用伪多任务学习范式，将增量单目标推荐堆叠成一个多目标任务以进行联合优化，提出了一种上下文感知的伪多任务推荐系统（CPMR），以准确建模历史和上下文场景中的动态兴趣演化。在四个基准推荐数据集上的实验证明，CPMR 始终优于最先进的基准线，并在其中三个数据集上取得了显著提升。
发现论文，激发创造
  • Déjà vu: 基于上下文的时间关注机制用于序列推荐

    该研究通过提出一种应对历史事件对用户当前行为影响具有时变性和受上下文影响的上下文化时间关注机制，动态校准不同时间段和上下文中历史行为对当前行为的影响，以提高推荐系统的性能。实证评估结果表明，在两个大型公共推荐数据集上，该模型始终优于现有的顺序推荐方法。

    Jan, 2020

  • 减少多领域视频推荐中的流行度倾向的多任务学习

    通过提出多任务学习技术和自适应上采样方法来减少多领域推荐中的受欢迎度偏差，提出的方法通过上采样来丰富训练样例，并通过利用多任务学习来学习基于地理位置的用户嵌入，实验证明了方法在多个地域上相对于不采用提出的技术的基准模型的有效性，显著改进了 PR-AUC 指标高达 65.27%，并通过案例研究展示了方法在减轻全局物品的受欢迎度偏差方面的优势。

    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

  • 大规模 CTR 预测的增量学习框架

    本研究提出了一种增量学习框架，用于 Click-Through-Rate (CTR) 预测，并展示了其在 Taboola 庞大规模推荐服务中的有效性。通过从以前部署的模型进行暖启动和仅在 “新鲜” 的数据上微调，我们的方法可以快速捕捉新兴趋势，并通过教师 - 学生范式来保留过去的知识。我们的增量学习框架可以实现显着更快的训练和部署周期（12 倍加速）。我们在多个流量段上证明了一致的 Revenue Per Mille (RPM) 增长和新引入项目的 CTR 显著增加。

    Sep, 2022

  • 基于记忆增强的多实例对比预测编码模型用于序列推荐

    本文提出了一种基于记忆增强型多实例对比性预测编码模式的序列推荐框架（MMInfoRec），以克服长期偏好难以捕捉和监管信号过于稀疏等方法问题，并通过在四个基准数据集上进行广泛实验，证明其优于现有最佳方法。

    Sep, 2021

  • 走向统一的对话推荐系统：基于上下文化知识蒸馏的多任务学习

    论文提出了一种多任务学习的统一对话式推荐系统，通过上下文知识蒸馏，在提高推荐效果的同时增强了流畅性，并在多样性方面取得了可比较的结果。

    Oct, 2023

  • 基于交叉交互式协作关系建模的多行为增强推荐

    该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架，它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系，以更好地捕捉用户多行为数据的异构协作信号。

    Jan, 2022

  • 一种实用的增量训练深度 CTR 模型的方法

    介绍了一种针对推荐系统中的深度 CTR 模型训练的增量学习方法，其通过数据、特征和模型三个模块解耦来增量更新模型。通过在公共基准数据集和私有数据集上进行实验证明了该方法高效可行，达到与传统批量模式相媲美的性能。

    Sep, 2020

  • 序列推荐的记忆增强图神经网络

    提出了一种记忆增强图神经网络 (MA-GNN)，用于解决顺序推荐系统中的挑战，包括建模短期和长期用户兴趣、有效建模项目共现模式等，模型在五个真实数据集上得到了验证并进行了比较。

    Dec, 2019

  • 在线推荐中的长短期时间元学习

    提出了一种基于 LSTTM 框架的在线推荐系统，它可以同时捕捉用户的长期和短期兴趣，采用不同的聚合方法和训练策略分别学习用户的短期和长期偏好，并引入了一种基于 MAML 的时间元学习方法以快速适应实时变化的用户兴趣。该框架在 WeChat Top Stories 推荐系统上的离线评估和在线评估中都取得了显著的改进。

    May, 2021