Nov, 2023

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

PDF
TL;DR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。
cross-domain sequential recommendationdata sparsity problemscdsr scenarioslong-tailed usersopen-world cdsr scenarios
发现论文，激发创造
  • 打破负迁移之谜：跨领域序列推荐的合作博弈论方法

    这篇论文研究了多领域顺序推荐（CDSR）的问题，提出了一种新的 CDSR 框架来解决负迁移问题，并使用合作博弈论来估计领域对模型性能的边际贡献，以及引入层次对比学习方法来缓解负迁移。通过在两个真实数据集中跨十个不同领域进行实验，证明了我们的模型在模型性能上优于之前的研究成果。

    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

  • 跨域推荐：挑战、进展和前景

    本文综述了现有的跨领域推荐方法，包括挑战、研究进展和未来方向，把现有的跨领域推荐方法归纳为四类：单目标 CDR，多领域推荐，双目标 CDR 和多目标 CDR，并提出了全景分类和新的分类法，并详细报告了它们的研究进展。

    Mar, 2021

  • 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

  • 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

  • 跨领域推荐的领域感知交叉注意力

    我们的研究提出了一种两步领域感知的交叉关注方法，能够从源领域的不同粒度中提取可迁移的特征，有效表达领域和用户兴趣，简化了训练流程，适合于新领域的快速部署，并通过实验证明了方法的有效性，还在在线广告系统中部署了模型，观察到了单击率和有效千次展示费用的显著改善。

    Jan, 2024

  • 跨领域对比推荐匹配

    本文提出了一种新颖的用于匹配的对比交叉领域推荐（CCDR）框架，该框架通过构建一个巨大的多样化的偏好网络来捕捉反映用户多种兴趣的多种信息，并设计了一个内域对比学习（intra-CL）和三个交叉域对比学习（inter-CL）任务以获得更好的表示学习和知识转移。在实验中，CCDR 在现实世界的系统中取得了显着的离线和在线评估成果。

    Dec, 2021

  • 跨领域顺序推荐的用户检索集成探索

    跨领域顺序推荐 (CDSR) 旨在挖掘和转移用户在不同领域的顺序偏好以减轻长期存在的冷启动问题。传统的 CDSR 模型通过用户和物品建模来捕捉协作信息，而忽视了有价值的语义信息。最近，大型语言模型 (LLM) 展现出强大的语义推理能力，激发了我们将其引入以更好地捕捉语义信息。然而，由于无缝信息集成和领域特定生成两个关键问题，将 LLM 引入到 CDSR 中并非易事。为此，我们提出了一种名为 URLLM 的新型框架，旨在通过同时探索用户检索方法和 LLM 上的领域基础来改善 CDSR 性能。具体而言，我们首先提出了一种新颖的双图顺序模型来捕捉多样的信息，在此基础上采用了一种对齐和对比学习方法来促进领域知识传输。随后，我们采用了一种用户检索 - 生成模型来将结构信息无缝集成到 LLM 中，充分利用其涌现的推理能力。此外，我们提出了一种领域特定的策略和一个改进模块，以防止领域外生成。在亚马逊上进行的广泛实验证明了 URLLM 与最先进基线系统相比在信息集成和领域特定生成能力方面的优势。我们的代码可在此 https URL 找到。

    Jun, 2024

  • 跨领域推荐系统

    通过将扩展领域的知识转移到目标领域，提出了一种名为 Diffusion Cross-domain Recommendation (DiffCDR) 的新型 CDR 模型，其利用了扩散概率模型 (DPMs) 的概念和映射模块，在冷启动和热启动场景下，在各种 CDR 任务上超过了基线模型的效果。

    Feb, 2024

  • FedDCSR：通过分离表示学习实现联邦跨领域顺序推荐

    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。

    Sep, 2023