MMFeb, 2024

FINEST：通过保持排序微调来稳定推荐

PDF
TL;DR我们提出了一种名为 FINEST 的方法，通过在模拟扰动场景中对抽样项目进行秩序保持正则化，从而获取给定推荐模型的参考秩序列表，进而使推荐模型在各种扰动下输出稳定建议，同时不损害下一个项目预测的准确性。
recommender systemsperturbationsstabilizerank listsfinest
发现论文，激发创造
  • 可扩展个性化排名的批量学习框架

    提出了一种新的基于批处理的排名估算器和平滑的排名敏感损失函数的个性化排名框架，该框架比先前的工作具有更稳定和准确的排名近似，并且可以通过显式使用并行计算来加速训练，在三个物品推荐任务上取得一致的准确性改进和时间效率优势。

    Nov, 2017

  • 微调预训练模型的稳定性分析

    通过理论稳定性分析和提出的新策略，解决预训练模型微调在同样设置下性能稳定性差异问题。

    Jan, 2023

  • 个性化公平感知排序

    本篇研究提出了一种考虑到用户、排名质量和供应商公平性的新型推荐算法 FRA，在实验中，该算法在牺牲一定精度的情况下，有效提升了推荐系统的公平性，并考虑到了个体用户的偏好。

    Sep, 2018

  • 确保动态推荐系统中用户方面的公平性

    针对用户组公平性和减少性能差异等问题，本文提出了一种动态的 FAir Dynamic rEcommender（FADE）框架，通过精调模型参数以确保用户组公平性和高质量推荐，实验证明 FADE 在减少性能差异和改善推荐质量方面表现出色。

    Aug, 2023

  • 粗排名自适应采样

    研究了活动粗聚类排序的问题，提出了一种计算有效的 PAC 算法 LUCBRank，探讨了其样本复杂性的上限和下限，并在实验中发现 LUCBRank 比现有的基线方法表现更好。

    Feb, 2018

  • 两阶段推荐系统公平性的不确定性量化

    本文研究如何在两阶段的推荐系统中保证物品的群体公平性，并提出了两种阈值策略选择规则，从可能存在的部分偏倚的用户反馈数据中推导出置信下限，以近似达到最优阈值的同时，充分考虑了物品在每个组中的期望相关性，实现了充分选取每个组的相关物品并最小化候选集大小。

    May, 2022

  • 公平且无偏的排名函数的策略梯度训练

    本文提出了一种能够同时解决学习算法固有的和训练数据中的算法和应用中置入偏见的公平性问题的排序方法，采用一类延迟策略梯度方法，即采用公平度量的代价函数，并针对所需的应用程序选择一类的 “平均公平度量” 选择公平度量，有效地使学习算法能够处理包含偏差和噪声的数据，并通过对算法进行实证研究证明其能够获得准确而公平的排序策略。

    Nov, 2019

  • 推荐系统中基于策略代理的公平暴露优化进行成效去偏差

    在该研究中，我们开发了一种基于战略代理人的公平曝光优化动态排序方法，旨在解决推荐系统中的数据偏差和长尾物品可见性的问题。通过使用可微分的排序算子同时优化准确性和公平性，我们确保了推荐性能的同时增强了长尾物品的可见性，实验证明了该方法的有效性和优越性。

    Jun, 2024

  • FineRec：探索细粒度顺序推荐

    使用 attribute-opinion 对 reviews 进行细粒度处理的新框架 FineRec，在顺序推荐中表现出色，通过大型语言模型提取 attribute-opinion 对，并创建 attribute-specific user-opinion-item 图，使用多样性感知的卷积操作在图中聚合信息，通过交互驱动的融合机制整合了所有属性的用户和物品表示，生成推荐结果。实验证明了 FineRec 在处理任务中的有效性。

    Apr, 2024

  • 对顺序推荐系统对训练数据扰动的鲁棒性研究：实证研究

    通过实证研究，本文探讨了删除时间序列内不同位置的物品对顺序推荐系统（SRSs）模型的影响，结果表明在序列末尾删除物品显著影响性能，指标 NDCG 下降 60％，而在序列的起始或中间删除物品则没有显著影响，这些结果强调了在训练数据中考虑扰动物品的位置对于设计更稳健的 SRSs 的重要性。

    Jul, 2023