Apr, 2024

揭示和利用图形协作过滤中的团体优先权

HTML
PDF
TL;DR基于个性化商品推荐系统，引入Co-Clustering Wrapper (CCW)来提取用户偏好和购买模式，通过计算用户和商品的共同聚类以及为每个聚类添加协同过滤网络来提取内部偏好，结合网络特征获得关于用户的丰富和统一信息。实验结果考虑了根据内部偏好划分的群组数量以及性能改进的量。
发现论文，激发创造
  • 一种在线协作过滤的潜在源模型

    本研究针对协同过滤在推荐系统中的广泛应用， 介绍了一个基于余弦相似度的在线协同过滤推荐模型，通过探索物品和用户之间的相似关系，期望最大化用户接受推荐的物品数量。研究结果表明，该算法在不知道用户类型数的情况下，经过几步初始探索，就可达到最佳表现。

    Oct, 2014

  • ACCAMS: 增量协同簇类以简洁近似矩阵

    提出一种新的矩阵近似方法，使用基于协同聚类的加法模型取代低秩分解，实现对多维用户偏好数据的高效建模与近似，其优于传统的低秩分解和协同聚类方法，该方法在Netflix问题下表现出色。

    Dec, 2014

  • 基于成对比较的大规模协作排名偏好数据填充

    本文针对协作排名问题展开研究，通过基于凸优化的算法和AltSVM这种大规模非凸实现方式，实现从用户提供的两两偏好比较结果中预测他们对未曾见过物品的偏好，该算法展现出了在多个协作过滤数据集中NDCG和排名性能的许多中等规模基线的表现优势。

    Jul, 2015

  • 关系协同过滤：建模多个物品关系进行推荐

    该研究提出一种名为“关系型协同过滤”的推荐系统通用框架，通过利用多个项目间的关系 (meta-data, functionality等)并发展出一种两层次的层级注意机制来对用户偏好进行建模。对推荐任务进行联合训练，以保持项目之间的关系结构，该模型表现出了强大的性能表现。

    Apr, 2019

  • 多组分图卷积协同过滤

    研究了协同过滤方法中用户和商品之间的图模型，提出了一种新的多组件图卷积协同过滤算法(MCCF)，旨在区分观察到的显式用户-商品交互背后的购买动机。该算法通过分解和组合两个模块，设计了一种新的方式以获得对用户消费行为的高精度预测，实验结果表明，该算法不仅在三个真实数据集上表现优异，而且还证明了考虑多个组件的必要性。

    Nov, 2019

  • 克服群组推荐中的数据稀疏问题

    本文提出了一种名为CAGR（Centrality Aware Group Recommender）的新型端到端组推荐系统，该系统采用双向图嵌入模型（BGEM）、自我注意机制和图卷积网络（GCN）作为基本构建块，从数据中学习群组和用户的表示方法，以克服组决策制定的真实和复杂过程，特别是对于形成临时群组的情况进行动态策略优化。通过创建三个大型基准数据集并在其中进行广泛的实验来证明CAGR的优越性。

    Oct, 2020

  • 图协同信号去噪与增强用于推荐

    本文提出了一种新的图矩阵和用户-项目交互矩阵的设计方法，将用户-用户、项目-项目相关性以及用户-项目交互数量平衡考虑在内，提高了高阶协同信号的捕获质量，推荐效果显著提升。

    Apr, 2023

  • 群组推荐的多粒度注意力模型

    利用 Multi-Granularity Attention Model (MGAM) 提出了一种新的方法，通过多个粒度（子集、群组和超集）揭示群组成员的潜在偏好并减轻推荐噪音，有效地降低群组推荐中的噪音，全面学习个人兴趣。

    Aug, 2023

  • 基于扩散模型的协同过滤：揭示高阶连接的潜力

    通过提出CF-Diff方法，结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器（CAM-AE），克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明，CF-Diff在三个真实世界数据集上优于基准推荐方法，相对最佳竞争对手的表现可达到7.29％的显著增益，并确保了计算效率与用户或物品数量呈线性比例。

    Apr, 2024

  • AlignGroup：学习和对齐成员偏好的群体共识以实现群体推荐

    本研究解决了群体推荐任务中既考虑群体共识又考虑个体偏好的问题。提出的AlignGroup方法利用超图神经网络高效学习群体内部和外部关系，并通过自监督对齐任务捕捉细粒度的群体决策。实验结果表明，AlignGroup在群体推荐和用户推荐任务中均优于现有的最佳方法，展示了其显著的提升效果。

    Sep, 2024