通过端对端自适应局部学习对抗主流偏见
介绍了一种名为 NAECF 的概念简单而有效的算法来解决协作过滤推荐中主流偏见的问题,该方法通过添加自编码器层来学习用户和物品特征,从而使得机器学习到的表示更加均衡,降低了针对主流用户的偏见。
Feb, 2021
本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架,其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段,以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明,我们的方法可以在各种 CF 任务上始终优于 SOTA 方法,搜索到的 CF 模型还可以为探索更有效的方法提供启示。
Jun, 2021
该论文提出了一种新方法,通过梯度聚合技术,学习所有用户的共同知识并在此基础上,为头部用户和尾部用户分别提供定制化的预测,从而显著提高了尾部用户的推荐效果。
Aug, 2022
提出了一种高效的全方位基于语言模型的推荐系统,能够在冷和热场景下表现出卓越的性能,并利用协同知识和高质量用户 / 物品嵌入来生成自然语言输出。
Apr, 2024
这篇论文提出了一种安全的协同过滤方法,通过最小化用户损失尾部的条件风险(CVaR),优化了低满意度用户的推荐质量,证明了这种方法保持了竞争性的计算效率和良好的尾部性能。
Jun, 2023
通过提出多任务学习技术和自适应上采样方法来减少多领域推荐中的受欢迎度偏差,提出的方法通过上采样来丰富训练样例,并通过利用多任务学习来学习基于地理位置的用户嵌入,实验证明了方法在多个地域上相对于不采用提出的技术的基准模型的有效性,显著改进了 PR-AUC 指标高达 65.27%,并通过案例研究展示了方法在减轻全局物品的受欢迎度偏差方面的优势。
Sep, 2023
研究推荐系统的流行度偏见问题,从用户的角度出发,通过对用户兴趣的分类(利基、多样性和网红聚焦)和对电影数据集的实验结果显示,即使用户对长尾和不受欢迎的项目感兴趣,许多推荐算法在推荐中仍然极度集中于流行项目,出现极端的偏见差异。
Jul, 2019
通过使用专门的专家组合和路由器网络,本研究提出了一种模块化、无模型依赖的轨迹预测框架,不仅在常见情景下取得了最新的性能,而且在长尾场景下显著提高了预测准确性。
Feb, 2024