通过聚类进行偏好学习的分层在线专家框架
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
本研究基于在线聚类算法探讨了上下文串联赌博机算法的新领域,针对用户间的聚类问题进行了广泛研究,并提出了一种新的算法 CLUB-cascade。实验显示,该算法可以有效地解决网络系统的信息推荐问题。
Nov, 2017
本文提出了一种自适应聚类技术,以探索 - 利用策略为基础,用于内容推荐系统中高动态性的推荐领域,该算法利用数据中的喜好模式,具有与协同过滤方法类似的优点,对中等规模的真实世界数据集进行了实证分析,表现出可扩展性和预测性能提高。
Feb, 2015
本文研究在线低秩矩阵完成问题,提出了一个基于探索 - 利用策略及用户聚类技术的 OCTAL 方法,可以在多项臂赌博机问题的基础上获取 $ O ({m polylog} (M+N) T^{2/3})$ 的遗憾,并在 Rank-1 情况下得到 $O ({m polylog} (M+N) T^{1/2})$ 的近似率。
Sep, 2022
提出了聚类多臂老虎机在用户模型未正确规定的情况下的问题,设计了两种鲁棒性算法,能适应不准确的用户偏好评估和模型错误导致的聚类问题,证明了我们算法的遗憾上限。实验证明我们对之前算法的优越性。
Oct, 2023
优化用户排序列表的算法将用户偏好和物品位置的变化考虑在内,通过上界调整预测的用户满意度分数,并选择最大化这些调整分数的排序操作,以在异质用户中个性化用户体验。该算法在实验中表现优于基线模型。
Jun, 2024
介绍一种基于自适应聚类探索 - 利用 (“赌徒”) 策略的内容推荐算法,提供标准随机噪声环境下的尖锐遗憾分析,证明其伸缩性属性并在一些人工和实际数据集上证明其有效性。实验结果显示,在赌徒问题上,预测性能显著优于现有技术方法。
Jan, 2014
该研究提出了两种基于用户 - 用户和物品 - 物品协同过滤算法的在线推荐系统,以探索性建议为基础,并证明了它们的性能保证以及信息论下界对协同过滤算法的优化建议。
Nov, 2017