Jan, 2024

基于神经模式联想的篮内推荐

PDF
TL;DR这篇论文介绍了神经模式关联器（NPA），这是一种深度商品关联挖掘模型，明确地模拟了用户行为的复杂性，通过量化表示常见的用户目的（或商品组合模式），在推理阶段通过注意力驱动的查找来识别用户的购物意图，从而产生连贯且可解释的推荐结果。在杂货电子商务（购物篮完成）和音乐（播放列表扩展）等多个领域的广泛数据集上评估了提出的 NPA 模型，定量评估结果显示 NPA 模型明显优于多种现有的购物篮推荐解决方案，反映了明确模拟复杂用户购物意图的好处。
within-basket recommendationneural pattern associatoruser behaviorsitem-combination patternsshopping intentions
发现论文，激发创造
  • 面向食品购物中下一个新奇购物篮推荐的遮蔽和交换序列建模

    下一个篮子推荐 (NBR) 是基于一系列已经购买的篮子预测下一个物品集的任务，我们提出了一种基于双向 Transformer 篮子推荐模型 (BTBR) 的简单方法，该方法专注于直接建模篮子内部和篮子间的物品之间的关联性，以提高推荐任务的性能。

    Aug, 2023

  • 为下一篮推荐建模个性化物品频率信息

    通过对真实数据的分析，我们发现个性化商品频率（PIF）信息对于 Next-basket recommendation（NBR）至关重要，因此我们提出了一种基于最近邻的简单方法，可以直接利用这些关键信号，并通过四个公共真实数据集的评估证明这种方法通常优于现有的 NBR 方法 - 包括使用 RNN 的深度学习方法 - 当 PIF 关联的模式在数据中扮演重要角色时。

    May, 2020

  • 超图增强的知识树提示学习用于下一篮子推荐

    我们提出了一种新方法 HEKP4NBR，将知识图谱转化为提示语，即知识树提示，以帮助预训练语言模型编码用户篮子序列中的超出词汇表范围的项目 ID，并通过超图卷积模块建立基于多个方面的项目相似度的超图并对多个项目之间的关系进行卷积，对两个基于真实公司数据集的 HEKP4NBR 进行了大量实验证明其在多个先进方法上的有效性。

    Dec, 2023

  • 多意图翻译图神经网络下的购物篮推荐

    本文提出了一种名为 MITGNN 的新框架，旨在处理篮子推荐中存在的多种意图的问题，并使用多头聚合器学习关系向量和邻居聚合，从而加强用户和物品的嵌入学习。

    Oct, 2020

  • 使用重复序列模式预测下一个篮球进球

    该篇研究论文提出并开发了使用 Temporal Annotated Recurring Sequence (TARS) 来抓取同时和自适应地考虑影响顾客购物行为的不同因素的 next basket prediction 模型，即 TARS Based Predictor (TBP)，以便为每个顾客提供量身定制的建议来加快购物速度。经过深入的实验，TBP 表现优异，超越了其他同类模型。

    Feb, 2017

  • NPA: 个性化关注的神经新闻推荐

    本研究提出了一种基于个性化注意力的神经新闻推荐模型，其中使用了卷积神经网络进行新闻表示建模并使用个性化注意力机制对用户建模，同时在一个真实世界的新闻推荐数据集上进行了广泛实验以验证模型的有效性。

    Jul, 2019

  • 神经注意力基于会话的推荐

    研究了如何在短时间内从用户的行为进行推荐，提出了一种新型的神经网络框架 NARM，通过注意力机制解决了仅利用当前会话中用户的顺序行为进行推荐的问题，同时结合用户当前会话中的主要目的，成功地提高了推荐算法的准确率和效率。

    Nov, 2017

  • 高效地在购物篮子和商品的添加和删除下维护下一个推荐篮子

    该研究探讨了在欧洲实施的 “一般数据保护条例” 下，个人数据的删除不仅适用于主数据存储中的数据还适用于包含个人数据的机器学习模型，并设计了有效的算法，用于在下一个购物篮推荐任务中增量和递减地更新此类模型。

    Jan, 2022

  • 混合关联模型用于序列推荐

    本文提出了基于混合关联模型的顺序推荐方法，利用用户长期偏好、近期评价的高阶 - 低阶关联模式和物品之间的协同作用生成推荐结果，明确实验结果表明这种方法在效率和精度上都超过了最新的状态 - of-the-art 方法，具有较高潜力。

    Feb, 2020

  • 基于 Wasserstein 序列匹配的市场购物篮个性化购买预测

    个性化营销通过为个人定制服务来改善客户的购物体验，然而预测客户的下一个购买清单是一个困难的问题，我们提出了一种基于 SDTW 相似性匹配的新型市场购物清单预测器，并利用 Wasserstein 距离来衡量嵌入购买历史记录的相似性，实验证明我们的方法能够有效地识别跨客户的模式，提高了与现有文献决策规则相比的准确性。

    May, 2019