Feb, 2024

对抗信息过滤泡泡：通过加权超图嵌入学习实现多样化音乐推荐

PDF
TL;DR通过引入多样化加权超图音乐推荐算法 (DWHRec)，在用户和已听曲目之间构建了带权重的超图，并将艺术家、专辑和标签与曲目的关联也附加到超图中，通过基于超图的随机游走嵌入方法来探索用户的潜在偏好，实验证明 DWHRec 算法有效地平衡了准确性和多样性，在音乐推荐领域提供了更加丰富的音乐体验。
recommender systemspersonalizationdiversitymusic recommendationweighted hypergraph
发现论文，激发创造
  • 通过多样化偏好网络提高推荐匹配的准确性和多样性

    本论文提出了一种使用异构图神经网络的推荐系统匹配模块，以提高精度和多样性，通过使用基于邻域相似性的损失来平衡两者。

    Feb, 2021

  • 知识图谱上下文增强的多样化推荐

    在知识图谱领域中，针对推荐系统的多样化进行研究，引入了实体覆盖度和关系覆盖度的度量方法，并提出了多样化嵌入学习和条件对齐与一致性技术，以增强知识图谱驱动的推荐系统的多样性。

    Oct, 2023

  • 图探索很重要：在微信信息流推荐中提高个体和系统多样性

    提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案，使用检索图信息来增加多样性，捕捉用户的实时多样性倾向，并在微信应用的 Top Stories 等应用中实现并部署，离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。

    May, 2023

  • HypeRS: 基于超图的集成推荐系统

    本文提出了一种崭新的集成推荐系统，将由不同模型生成的预测结果合并到统一的超图排名框架中，通过在个体推荐系统上分配不同的超边权重来区分实际连接和预测连接，实验结果表明，与单个模型和加权混合方法相比，集成超图排名方法能够生成更准确的推荐结果，并且进一步改善了代表相同权重的超边的设置。

    Jun, 2023

  • 推进文化包容性：优化嵌入空间以实现平衡的音乐推荐

    通过在嵌入空间中捕捉用户和歌曲的文化细微差别，我们提出了两种新的增强方法来解决音乐推荐中的流行度偏见，从而减少了流行度偏见并提高了人群和文化的公平性。

    May, 2024

  • 一种基于超图的图书馆在线资源推荐方法

    分析数字图书馆的使用数据，利用聚类算法（包括基于内容和基于用户访问模式）设计推荐系统，并通过超图算法生成的聚类模型相较基于内容的聚类算法设计的推荐系统更准确。

    Dec, 2023

  • 音乐推荐的深度内容 - 用户嵌入模型

    本文提出了一种深度内容 - 用户嵌入模型，它采用混合方法解决了冷启动问题，并考虑了不同模式数据的联合，同时在音乐推荐和音乐自动标记任务中，表现出了明显的优势。

    Jul, 2018

  • DGCN: 基于图卷积网络的推荐系统多样化策略研究

    本文利用图卷积网络优化了推荐系统，将推荐候选项的多样性缩放到候选项生成阶段，并提出了重新平衡邻居发现、类别提升负采样和对抗学习等技术以改善多样性问题。对实际数据进行的广泛实验表明该方法的有效性，并证实该方法显著缓解了准确性和多样性之间的困境。

    Aug, 2021

  • 解决推荐系统中表观多样性 - 准确性两难问题

    介绍了一种针对推荐系统中推荐准确性和多样性的算法，通过将该算法与基于准确性的算法混合使用，能够在不依赖语义或特定上下文信息的情况下同时提高推荐的准确性和多样性。

    Aug, 2008

  • 基于异构感知深度贝叶斯网络的个性化音乐推荐

    音乐推荐系统关注了用户的情感异质性，提出了四种异质性，并构建了 Heterogeneity-aware Deep Bayesian Network（HDBN）模型，使用大规模数据集 EmoMusicLJ 进行验证实验，与基线方法相比取得了显著的效果提升。

    Jun, 2024