MMSep, 2023

面向会话推荐的分层多任务学习框架

PDF
TL;DR本文提出了一种将层次化多任务学习架构应用于会话推荐系统的新方法 HierSRec，并在两个会话推荐数据集上验证了其在下一个物品预测准确性方面优于现有的会话推荐系统。
session-based recommender systemsmulti-task learninghierarchical mtlhiersrecnext-item prediction
发现论文，激发创造
  • 面向大规模与冷启动免费的基于会话的元数据感知多任务 Transformer 推荐模型 M2TRec

    本研究提出了一种元数据感知的多任务转换器模型 M2TRec，可用于基于会话的推荐系统，通过将商品元数据转换为嵌入来学习共享表示，从而避免了需要为每个商品单独学习嵌入的问题，并在多任务设置中进行训练以预测会话中的下一个商品及其主分​​类和子类别，进而显著提高了系统性能。

    Sep, 2022

  • 基于图增强的多任务学习，用于会话推荐中的多层级转移动态

    本文提出一种基于多任务学习框架的多层次转移动态方法（MTD）, 通过位置感知的注意机制和图结构层次关系编码器，可以在自动和分层的方式下，共同学习会话内和会话间的项目转移动态。

    Oct, 2021

  • 用于序列推荐的多行为超图增强变压器

    设计了一种多行为超图增强 Transformer 框架（MBHT），用于捕获基于多个交互类型的短期和长期行为依赖关系，该框架通过低秩自注意力和超图神经网络结构实现。

    Jul, 2022

  • 利用强化学习实现多任务融合，提升推荐系统的用户长期满意度

    该研究结合用户粘性和主动性两个方面，提出了一种基于批量强化学习的多任务融合框架（BatchRL-MTF），以长期用户满意度为最终目标，部署于大规模工业短视频平台。

    Aug, 2022

  • LLM4SBR：一种轻量且有效的用于在基于会话的推荐中整合大型语言模型的框架

    传统会话推荐 (SBR) 使用来自匿名用户的会话行为序列进行推荐。最近，大型语言模型 (LLMs) 在与推荐系统 (RS) 的集成方面取得了巨大的进展。为了解决这些问题，我们提出了面向 SBR 的 LLM 集成框架 (LLM4SBR)。通过将会话数据转化为文本和行为的二模态形式，并在不同角度使用 LLMs 的推理能力，LLM4SBR 显著提高了传统 SBR 模型的性能，适合工业部署。

    Feb, 2024

  • 分层变压器是高效的元强化学习者

    Hierarchical Transformers for Meta-Reinforcement Learning (HTrMRL) is an online meta-reinforcement learning approach that improves learning efficiency and generalization capabilities, outperforming the previous state-of-the-art algorithm in various tasks.

    Feb, 2024

  • 多任务推荐中的跨任务知识蒸馏

    提出了一种交叉任务知识蒸馏框架，通过引入辅助任务和校准蒸馏方法，解决了多任务学习中涉及的任务冲突、不一致和同步优化的问题，在实现细粒度推荐、跨任务知识转移等方面有显著效果。

    Feb, 2022

  • 对话式推荐的对比多级图神经网络

    本文提出了一种新颖的对比多层图神经网络方法（CM-GNN）来更好地利用复杂和高阶的物品转换信息，并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明，所提出的方法优于现有的会话推荐技术。

    Nov, 2023

  • 多关系转换器辅助项关系下的顺序推荐

    对于顺序推荐中的辅助物品关系，提出了一个基于多关系变形器的顺序推荐方法进行建模，并通过实验表明其在冷启动问题等方面的有效性。

    Oct, 2022

  • 中文语义角色标注的句法感知多任务学习框架

    本文介绍了基于统一覆盖模型的跨度和基于单词的语义角色标注，并提出了一种多任务学习框架，其中包括基本 SRL 模块和依赖性解析器模块，通过该框架，我们使用外部句法表示得到了新的最先进的中文 SRL 良好结果。

    Nov, 2019