Mar, 2024

个性化负反馈贮存器在推荐系统中的增量学习

PDF
TL;DR为了改善用户体验，推荐系统需要不断扩展和提升模型，但这会带来更多的计算负担。本文提出了个性化的负样本储备策略，平衡了遗忘与可塑性，有效地处理增量学习问题。通过在三个常用的增量推荐模型中整合我们的设计，我们实现了在标准基准测试中的最新成果。
recommender systemsincremental learningnegative samplinguser preferencesrecommendation models
发现论文，激发创造
  • 从负面用户反馈学习和衡量顺序推荐器的响应性

    我们将负面用户反馈引入了序列推荐器的训练目标中，在检索阶段使用一种 “不推荐” 的损失函数来优化不推荐带有负面反馈的项目的对数似然。我们通过在大规模工业推荐系统上进行实时实验来证明了这种方法的有效性。此外，我们通过开发一个对照模拟框架来衡量推荐器对负面反馈的响应能力，展示了建模变化带来的响应能力改进。

    Aug, 2023

  • 音乐个性化的负反馈

    使用真实的负反馈作为输入和训练目标，在网络广播的下一首推荐系统中，有助于减少训练时间约 60％，并提高测试准确性约 6％；同时，添加用户跳过作为额外输入还可以显著增加用户覆盖率并略微提高准确性。

    Jun, 2024

  • 生成顺序推荐的负样本

    本文提出了 Generate Negative Samples (items) for SR (GenNi) 方法，使用当前 SR 模型中已学习的用户偏好在每个时间步骤采样负面项目，以提供高质量的负面样本，验证了其在四个公共数据集上的有效性和效率。

    Aug, 2022

  • 简化和加强隐式协同过滤负采样

    本文提出一种简化负采样模型的方法，通过针对设计的内存进行高效采样，解决模型学习中的假阴性问题。在两个合成数据集和三个真实数据集上的实证结果表明，该方法在负采样方面具有鲁棒性和优越性。

    Sep, 2020

  • 推荐系统中的损失厌恶：利用用户负面偏好提高推荐质量

    描述了一种新的推荐算法，该算法明确地建模了负面用户偏好，以便在推荐列表的顶部推荐更多积极的物品，从而提高准确性并减少负面物品的数量。

    Dec, 2018

  • 利用深度强化学习进行带有负反馈的推荐

    文章提出了一种利用强化学习学习交互过程中优化策略的推荐系统，通过深度学习框架将正反馈同时整合到系统中进行优化，证明了该方法可以提高推荐精度。

    Feb, 2018

  • 推荐系统中的去噪隐式反馈

    研究探讨了去噪隐式反馈机制对于推荐系统训练的影响和重要性，提出了一种自适应去噪训练策略（ADT），通过在训练过程中适当地剪枝噪声交互以提高推荐系统的训练质量。实验结果表明，ADT 显著改善了推荐质量。

    Jun, 2020

  • 贝叶斯负采样用于推荐

    提出了一种基于贝叶斯分类器的负采样算法（BNS），通过区分真负样本和虚假负样本，提高了负采样的质量和推荐性能。

    Apr, 2022

  • 评分的五十种变化：如何在 Top-N 推荐任务中受益于负反馈

    提出了一种使用三阶张量分解技术进行在线协同过滤的方法，该方法可通过处理用户反馈作为分类变量建模，并对评价指标进行调整，消除负面反馈的影响，从而提供优质推荐，实现一开始即可个性化推荐。与标准的协同过滤不同，该方法同样精确预测相关物品，即使仅获得负面反馈。同时，在无正反馈情况下，该方法的性能显著优于其他方法，达到了最先进的质量水平。

    Jul, 2016

  • 利用负采样改进上下文化主题模型

    本文提出了一种基于负采样机制的上下文主题模型，通过扰动生成的文档 - 主题向量，并利用三元组损失函数，鼓励从正确文档 - 主题向量重构出来的文档与输入文档相似，与从扰动向量重构出来的文档相异，实验证明该方法在不同主题数量公开数据集上得到了改善。同时该模型具有较高的主题多样性。

    Mar, 2023