基于矩阵和张量的推荐系统的动态协同过滤

Dec, 2023

基于矩阵和张量的推荐系统的动态协同过滤

Dynamic Collaborative Filtering for Matrix- and Tensor-based Recommender Systems

Albert Saiapin, Ivan Oseledets, Evgeny Frolov

TL;DR本研究介绍了一种用于连续数据流更新模型的协同过滤模型（Tucker Integrator Recommender - TIRecA），它可以通过仅使用新数据段来高效更新参数，从而实现对推荐系统中新用户和物品的增量添加，实验结果表明其训练速度是基线方法的 10-20 倍，而在预测质量方面能够达到与基线方法相当的水平。

Abstract

In production applications of recommender systems, a continuous data flow is employed to update models in real-time. Many recommender models often require complete retraining to adapt to new data. In this work, we introduce a novel →

recommender systems collaborative filtering tucker integrator recommender incremental learning computational efficiency

发现论文，激发创造

张量方法与推荐系统

本文为了弥补目前推荐系统领域中对于基于张量方法的研究欠缺的问题，全面回顾和讨论了基于张量的推荐模型的应用以及未来的发展方向。

Mar, 2016

具有时间图协同变换器的连续时间序列推荐

提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

Aug, 2021

一种职位推荐系统的时间学习和序列建模

本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

Aug, 2016

基于翻译的推荐系统

本文提出了一种名为 TransRec 的方法，它可以将用户和项目之间以及项目之间的复杂交互建模，用于预测用户的个性化顺序行为，通过将项目嵌入到 “转换空间” 中，并使用用户来操作项目序列的翻译向量，以便捕捉第三阶交互关系。在广泛的真实世界数据集中，该方法表现优于现有方法。

Jul, 2017

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

TT-Rec: 深度学习推荐模型的张量列车压缩

本文研究了深度学习推荐模型中嵌入表的内存容量问题并提出了 Tensor Train 分解的解决方案。通过优化成熟度更低的 TT-Rec 及其核心部件 TT-EmbeddingBag，它在 Kaggle 和 Terabyte 数据集上均实现了 117 倍和 112 倍的模型大小压缩，并且没有任何准确性或训练时间开销。

Jan, 2021

神经张量分解

本文提出了基于神经张量分解的动态关系数据预测模型，该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用，并结合多层感知器结构学习不同潜在因素之间的非线性关系，实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。

Feb, 2018

通过可扩展的张量分解从隐含数据中实现上下文感知的推荐

该论文提出了一种上下文感知的通用隐式反馈推荐算法，使用基于张量分解的学习方法，同时结合了季节性和购买顺序等上下文信息，显著优于无上下文和基准模型，并与因式机（在召回和 MAP 方面击败了 12 个案例中的 7 个）相当，具有良好的可扩展性。

Sep, 2013

流式推荐系统

本文提出 sRec 框架，使用变分贝叶斯方法来处理流式推荐系统数据，并在真实数据集上的实验结果表明其优于其他流推荐系统的算法。

Jul, 2016

可控制的多兴趣推荐框架

本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

May, 2020