Sep, 2023

FedDCSR：通过分离表示学习实现联邦跨领域顺序推荐

PDF
TL;DR本文提出了一种名为 FedDCSR 的新型联邦跨领域顺序推荐框架，通过解耦表示学习来解决不同领域间的序列特征异质性问题，并通过在用户序列上进行数据增强来学习更丰富的领域专属特征，实验证明 FedDCSR 相较于现有基线方法有显著的改进。
cross-domain sequential recommendationfederated learningdisentangled representation learningsequence feature heterogeneitydata privacy
发现论文，激发创造
  • FedHCDR：超图信号解耦的联邦跨领域推荐

    这项研究提出了一种名为 FedHCDR 的新型分布式跨领域推荐框架，通过超图信号解耦来解决不同领域数据异构性的问题，并且通过超图对于领域共享用户关系信息的学习来提升推荐性能。实验结果表明，FedHCDR 在三个真实场景中明显优于现有基准模型。

    Mar, 2024

  • 实现开放世界的跨领域顺序推荐： 一种模型无关的对比去噪方法

    跨领域的顺序推荐（CDSR）的关键问题是解决传统顺序推荐系统中存在的数据稀疏问题。然而，在现实世界的推荐系统中，CDSR 场景通常包含大多数行为稀疏和冷启动用户，这导致现有 CDSR 方法在实际产业平台中性能下降。因此，在开放世界的 CDSR 场景中提高模型的一致性和效果对于构建 CDSR 模型至关重要。

    Nov, 2023

  • 跨域顺序推荐中学习部分对齐的物品表示

    跨域顺序推荐（CDSR）致力于揭示和转移用户在多个推荐领域中的顺序偏好。本文提出了一种模型不可知的框架 CA-CDSR，通过序列感知生成和自适应部分对齐，实现了跨域项目表示的对齐。经过广泛的实验证明，CA-CDSR 能够显著超越现有的基准，并能够有效地在表示空间中对齐项目以增强性能。

    May, 2024

  • 异质图结构学习的多目标跨领域推荐算法

    利用多个领域的信息来解决推荐系统中的数据稀疏问题是 CDR（跨领域推荐）的关键解决方案。本文提出了 HGDR（基于异构图的框架和解缠表示学习），这是一个端到端的异构网络架构，应用图卷积层来建模不同领域之间的关系，并利用解缠表示的思想来处理领域共享和领域特定的信息。实验结果表明，我们的模型能有效地在领域之间传递信息并达到领先水平。

    Jul, 2024

  • 跨域和跨系统推荐的深度框架

    本文提出了一种基于矩阵分解和全连接深度神经网络的深度跨域和跨系统推荐框架 DCDCSR，通过考虑不同域或系统中个人用户和项目的评级稀疏度来指导 DNN 的培训过程，有效利用评分数据，实验结果表明，该框架在推荐准确性方面优于现有的 CDR 和 CSR 方法。

    Sep, 2020

  • 增强学习增强的共享账户跨领域序列推荐

    提出了一种基于强化学习的共享账户交叉域序列推荐的解决方案 RL-ISN, 通过注意力机制学习更准确的用户特定账户表示，同时使用层次化强化学习任务来过滤不相关的领域信息以提高推荐性能。在两个真实数据集上的实验结果表明，与现有的推荐方法相比，我们的方法具有优越性。

    Jun, 2022

  • 跨领域和跨系统推荐的统一框架

    本文提出了一个名为 GA 的统一框架，它使用图形嵌入和注意力技术来提高所有数据集的推荐精度，包括 Dual-Target CDR，Multi-Target CDR 和 CDR+CSR，实验证明 GA 相比现有的 CDR 和 CSR 算法有更好的表现。

    Aug, 2021

  • DA-GCN: 面向域感知的关注图卷积网络，用于共享账户的跨领域序列推荐

    本论文提出了一种基于图的推荐算法 DA-GCN，通过关注用户特定节点表示和选定注意机制来解决交叉领域序列推荐任务中的挑战。

    May, 2021

  • 社交推荐的解耦对比学习

    本研究提出了一种新颖的解缠式对比学习框架，名为 DcRec，该框架可以从物品和社交领域中学习解缠式用户表示，并在社交推荐中进行知识转移。实验证明，该模型在各种真实世界数据集上具有优越性。

    Aug, 2022

  • DDGHM: 双动态图与混合度量训练，用于跨域序列推荐

    本文提出一种基于双重动态图建模和混合度量训练的跨域顺序推荐框架 DDGHM，以解决现有跨域推荐模型由于数据稀疏和短序列长度引起的性能瓶颈。通过实验验证，DDGHM 有利于提高顺序推荐性能。

    Sep, 2022