Dec, 2023

地理群体特定 O2O 推荐的自适应框架

PDF
TL;DR在线到离线推荐与用户和服务的时空信息密切相关，因此需要更高程度的模型个性化。传统方法基于通过收集的集中数据进行训练的统一模型结构，不太可能捕捉到不同地理区域或时间段的所有用户模式。为了解决这个挑战，我们提出了一种称为 GeoGrouse 的地理群组特定建模方法，同时研究用户偏好的通用知识和群组特定知识。我们采用自动分组范例并基于用户的地理分组指标进行验证。通过离线和在线实验验证了我们的方法的有效性，并实现了实质性的业务改进。
发现论文，激发创造
  • Geo-SAGE: 一种用于空间项目推荐的地理稀疏附加生成模型

    该论文提出了一种基于地理位置的稀疏加性生成模型 Geo-SAGE，用于解决基于位置的社交网络中的稀疏用户 - 空间项目矩阵和地理位置相关性问题，并在实验中证明其在家乡和外出旅行两个任务中的表现优于其他最新模型。

    Mar, 2015

  • 在线 POI 推荐：学习动态地理人类交互流

    该研究论文提出了一种基于强化学习的框架来建模动态的地理人类互动过程，设计了解决过期信息、推荐候选生成和动作空间变化等挑战的新深度策略网络结构以及一种有效的对抗训练方法，并在大量实验数据中证明了该方法的卓越性能。

    Jan, 2022

  • 基于动态图注意力网络的基于会话的社交推荐

    该研究提出了基于动态图注意力神经网络的在线社区推荐系统，能够模拟用户动态行为，并根据用户当前兴趣动态推断影响因素，经实验验证，其效果优于现有的各种方法。

    Feb, 2019

  • 地理定位挖掘：挖掘在线基于位置的服务以实现最佳零售店铺定位

    本文探究了基于地理和用户移动性的机器学习特征在商业成功中的预测能力， 并通过采集自 Foursquare 的数据集在纽约城市中研究了不同商业连锁店的普及程度，揭示了商业的成功与多个因素有关。

    Jun, 2013

  • 基于分层超边嵌入的团体推荐表示学习

    本文提出了一种基于超边嵌入的层次化组推荐算法 HyperGroup，在考虑群组内部成员相似性，通过利用用户间的交互信息来解决用户关系稀疏性问题，同时结合 GNN 实现个人与群组的表示学习，通过构建超图和超边嵌入技术，增强了群组内的相似性，在两个真实数据集上的实验结果证明了该算法的优越性。

    Mar, 2021

  • 通过动态时期定义的长期和短期偏好的异构图建模的社交推荐

    通过在异构图中结合社交网络数据的动态属性，本研究提出了一种新的方法来提供社交推荐，旨在捕捉用户的长期和短期偏好并聚合分配的边权重，以实现对时间变化的用户偏好的建模，实验结果证明了该模型的有效性。

    Dec, 2023

  • 第四届在线推荐系统和用户建模研讨会论文集 -- ORSUM 2021

    探索在线服务的动态特性，通过增量算法在数据流中进行用户建模和个性化推荐。

    Jan, 2022

  • 克服群组推荐中的数据稀疏问题

    本文提出了一种名为 CAGR（Centrality Aware Group Recommender）的新型端到端组推荐系统，该系统采用双向图嵌入模型（BGEM）、自我注意机制和图卷积网络（GCN）作为基本构建块，从数据中学习群组和用户的表示方法，以克服组决策制定的真实和复杂过程，特别是对于形成临时群组的情况进行动态策略优化。通过创建三个大型基准数据集并在其中进行广泛的实验来证明 CAGR 的优越性。

    Oct, 2020

  • 实时在线离线推荐中的隐式上下文推断

    本文提出了一种名为 Mixture Attentional Constrained Denoise AutoEncoder（MACDAE）的新方法，用于推断 O2O 推荐中的隐式上下文，以提高实时 O2O 推荐的质量。 在几种真实数据集（Yelp、Dianping 和 Koubei）上进行的实验表明，我们的方法优于现有技术。 该模型已经部署在口碑中的 “猜你喜欢” 推荐产品中。

    Jul, 2019

  • 面向临时群体推荐的自监督图学习

    提出了一种利用自监督学习技术的图学习框架来提高稀有组的嵌入质量，以解决传统的组推荐方法在冷启动组中表现不佳的问题。实验结果表明，该框架优于当前最先进的方法。

    Dec, 2021