构建二阶段推荐系统的理论基础
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
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
本文提出了一种基于矩阵分解的协同过滤框架,旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换,运用神经信息传递技术计算新场景下用户嵌入。实验结果表明,我们的模型可实现在有限的训练数据下,针对新用户的优秀推荐,并具有等效的矩阵因式分解表现。
Jul, 2020
本文提出一种基于树的方法来解决推荐系统中引入更多表现形式且更为复杂的模型(例如深度神经网络)时所面临的计算困难问题。我们的方法可以提供对数级的计算复杂度,并在两个大规模真实世界数据集上取得了较好的实验效果,同时在淘宝广告平台的在线 A/B 测试中也证明了它在生产环境下的有效性。
Jan, 2018
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
研究推荐系统中个性化排序算法的设计,近年来基于深度学习(神经网络)技术的方法在文献中占主导地位。本研究通过重新实验验证最近基于协作过滤的神经网络推荐方法的结果,发现其中 11 种方法在概念上简单的最近邻启发式方法表现更好,计算复杂的神经网络方法并没有明显的优势。同时,发现当今研究实践中存在普遍问题,可能导致该领域的停滞。
Nov, 2019
本篇研究探讨了 RNN 模型在短期和长期的推荐任务中的表现,发现堆叠的带有层归一化和相同物品嵌入的 RNN 模型表现最佳,能够准确预测用户的短期和长期交互。
Jul, 2018
本文中,我们开发了一种新颖的神经网络模型,通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。
Dec, 2019