MMJan, 2024

通过多任务处理不同偏好强度来改进一类推荐

PDF
TL;DR在这篇论文中，我们提出了一个多任务框架，考虑到隐式反馈中每个信号的各种偏好强度，要求实体的表示同时满足每个子任务的目标，使其更具鲁棒性和可推广性。此外，我们还结合了注意力图卷积层，以探索用户 - 物品双向图中的高阶关系，并动态捕捉用户对其交互物品的潜在倾向。实验结果表明，我们的方法在三个大规模真实世界基准数据集上比现有最先进方法有显著优势。
one-class recommendationimplicit feedbackrepresentation learningmulti-tasking frameworkattentive graph convolutional layers
发现论文，激发创造
  • FeedRec: 利用各种用户反馈的新闻推荐

    为了提高新闻推荐的用户兴趣模型和模型训练的效果，我们提出了一种利用各种用户反馈的统一用户建模框架，并采用强到弱的注意力网络来提炼正负用户兴趣，以及采用多反馈模型训练框架来学习关注度感知的新闻推荐模型。

    Feb, 2021

  • 基于隐式反馈的物品推荐

    本篇论文总结了商品推荐的独特特点和常见方法，讨论了训练目标的不同选择，提出了适合于常规推荐和点积模型的效率更高的学习算法，并探讨了商品推荐在检索任务中的应用。

    Jan, 2021

  • 排名与评分：用于推荐系统的多任务学习

    本文提出了一种利用用户的双重决策过程的多任务框架，针对推荐系统领域的排名和评分预测任务进行优化，通过在两个基准数据集上进行测试，证明了其优于现有技术的表现。

    Jul, 2018

  • 减少多领域视频推荐中的流行度倾向的多任务学习

    通过提出多任务学习技术和自适应上采样方法来减少多领域推荐中的受欢迎度偏差，提出的方法通过上采样来丰富训练样例，并通过利用多任务学习来学习基于地理位置的用户嵌入，实验证明了方法在多个地域上相对于不采用提出的技术的基准模型的有效性，显著改进了 PR-AUC 指标高达 65.27%，并通过案例研究展示了方法在减轻全局物品的受欢迎度偏差方面的优势。

    Sep, 2023

  • 贝叶斯多任务逆向强化学习

    本文将逆向强化学习问题推广到多个任务，通过引入一定数量的结构化先验，我们将问题形式化为统计偏好提取。我们展示了我们的框架不仅允许我们从多个专家中有效地学习，而且还可以有效地区分每个专家的目标。

    Jun, 2011

  • 每个人的偏好变化不同：加权多兴趣检索模型

    本文提出一种名为多兴趣偏好模型的方法，可以更有效地利用用户的顺序交互产生多个用户嵌入并自动学习一组权重来表示用户对每个嵌入的偏好，从而可以按比例从每个兴趣中检索候选项。

    Jul, 2022

  • 基于多任务学习的评论文本可解释推荐

    本研究旨在开发一种多任务学习解决方案，通过联合张量分解整合用户偏好模型和文本解释模型来解释自动生成的推荐，从而提高用户的满意度，并且得到了两个大型 Amazon 和 Yelp 评论数据集的证实。

    Jun, 2018

  • 多塔多兴趣推荐与用户表达驱散

    在信息过载的时代，推荐系统的价值在学术界和工业界都被广泛认可。尤其是多兴趣顺序推荐，是一个近年来受到越来越多关注的子领域。通过生成多个用户表示，多兴趣学习模型在理论和实证上都展示了比单个用户表示模型更出色的表现。尽管该领域有了重大进展，但仍然存在三个主要问题困扰着多兴趣学习方法的性能和可采用性，即训练和部署目标之间的差异，无法访问项目信息以及由于其单塔架构所导致的工业应用难度。我们通过提出一种具有用户表示排斥的新型多塔多兴趣框架来解决这些挑战。多个大规模工业数据集上的实验结果证明了我们提出的框架的有效性和泛化能力。

    Mar, 2024

  • 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

  • 基于聚类和用户交互嵌入配置文件的高效无限用户 - 项目规模推荐系统

    本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

    Jan, 2024