基于评论的跨领域推荐:超几何嵌入与层次感知领域解耦
本研究介绍了一种名为 HCTS 的新框架,用于捕捉不同领域的独特特征,实现领域间的高效知识传递,并通过将用户和物品分别嵌入不同具有可调节曲率的双曲流形来预测,从而改善目标领域用户和物品的表示。实验结果表明,双曲流形对于跨领域推荐任务是一种有潜力的替代方案。
Jun, 2024
为有效实现跨领域知识传递,本研究从因果学的角度出发,提出一种分层子空间解缠方法(HJID),以探索跨领域联合分布的联合识别性,并保留特定领域行为和域共享要素。实验证明,HJID 在一系列强相关和弱相关跨领域推荐任务中优于现有方法。
Apr, 2024
利用多个领域的信息来解决推荐系统中的数据稀疏问题是 CDR(跨领域推荐)的关键解决方案。本文提出了 HGDR(基于异构图的框架和解缠表示学习),这是一个端到端的异构网络架构,应用图卷积层来建模不同领域之间的关系,并利用解缠表示的思想来处理领域共享和领域特定的信息。实验结果表明,我们的模型能有效地在领域之间传递信息并达到领先水平。
Jul, 2024
本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型,该模型在电影、图书和音乐三个领域的数据集上经过充分测试,表现优于其他传统模型。
Oct, 2019
本研究提出了 Collaborative Filtering with Attribution Alignment model (CFAA) 作为一种跨领域推荐解决方案,该方法通过联合挖掘用户评论、one-hot ID 和多次历史评分来生成具有表现力的用户和物品嵌入,从而显著提高了在 RNCDR 设置下的推荐性能。
Feb, 2022
本文综述了现有的跨领域推荐方法,包括挑战、研究进展和未来方向,把现有的跨领域推荐方法归纳为四类:单目标 CDR,多领域推荐,双目标 CDR 和多目标 CDR,并提出了全景分类和新的分类法,并详细报告了它们的研究进展。
Mar, 2021
本研究提出了一种名为 CDR-Adapter 的可扩展和高效的跨领域推荐模型,通过解耦原始推荐模型和映射函数的方式,有效解决了数据稀疏性和冷启动问题,并且无需重新设计网络结构。CDR-Adapter 采用适配器模块对特征表示进行对齐,实现了不同领域的灵活知识传递和以最小训练成本进行高效微调。在基准数据集上进行的大量实验证明了我们方法在多个最先进的 CDR 方法上的优越性。
Nov, 2023
我们的研究提出了一种两步领域感知的交叉关注方法,能够从源领域的不同粒度中提取可迁移的特征,有效表达领域和用户兴趣,简化了训练流程,适合于新领域的快速部署,并通过实验证明了方法的有效性,还在在线广告系统中部署了模型,观察到了单击率和有效千次展示费用的显著改善。
Jan, 2024
本文提出了一个名为 GA 的统一框架,它使用图形嵌入和注意力技术来提高所有数据集的推荐精度,包括 Dual-Target CDR,Multi-Target CDR 和 CDR+CSR,实验证明 GA 相比现有的 CDR 和 CSR 算法有更好的表现。
Aug, 2021
本文提出了一种基于矩阵分解和全连接深度神经网络的深度跨域和跨系统推荐框架 DCDCSR,通过考虑不同域或系统中个人用户和项目的评级稀疏度来指导 DNN 的培训过程,有效利用评分数据,实验结果表明,该框架在推荐准确性方面优于现有的 CDR 和 CSR 方法。
Sep, 2020