Apr, 2024

运用机器学习推荐系统促进混合现实中的社交互动

PDF
TL;DR通过混合现实系统，我们创建了一种创新的混合现实社交推荐模型，利用用户的注视识别、距离、噪音水平、拥堵程度和对话强度等特征来促进社交互动，并通过加入实时特征提供及时通知。尽管数据收集和成本方面存在限制，我们对包含不同特征类别的四种模型进行了比较，发现实时、混合现实和综合模型的性能下降，但我们引入了优化措施，在所有模型的准确性上提高了 14 个百分点，最佳模型的准确性提高了 24%。
发现论文，激发创造
  • 综合评分、社交关系和评论的综合推荐方法

    本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。

    Jan, 2016

  • 基于交叉交互式协作关系建模的多行为增强推荐

    该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架，它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系，以更好地捕捉用户多行为数据的异构协作信号。

    Jan, 2022

  • 异质项目关系混合推荐

    研究使用信号来推荐物品，探索了混合专家方法和知识图谱嵌入用于组合多种异构物品关系的框架，并发现该方法比其他方法更能提供直观的推荐解释和更准确的推荐。

    Aug, 2018

  • 多模态推荐系统：一份综述

    本文是关于多模态推荐系统的技术视角的综述，主要介绍了多模态推荐系统的一般过程、挑战、三类现有模型，以及数据集和代码资源的总结，同时讨论了未来的发展方向。

    Feb, 2023

  • 基于用户活动中心的社交影响力用于兴趣点推荐

    该论文使用矩阵分解技术将社交、地理和时间信息纳入推荐系统中，增加了友谊算法和活动中心，从而提高了 POI 推荐系统的性能。实验结果表明，该模型在真实世界数据集上优于现有技术，精确率提高了 31% 和 14%。

    Jan, 2022

  • LLMR：使用大型语言模型实时提示交互式世界

    通过使用 Unity 游戏引擎和文本交互，我们提出了大型混合现实语言模型（LLMR）框架，该框架用于实时创建和修改交互式混合现实体验，并通过包括场景理解、任务规划、自调试和内存管理等技术，使 LLMR 在平均错误率上比标准 GPT-4 提高了 4 倍。通过多个示例场景的展示、创作和修改任务的评估以及一个使用性研究，我们证明了 LLMR 具有跨平台的互操作性，并且参与者对系统有积极的体验并愿意再次使用。

    Sep, 2023

  • 推荐系统与人的交互

    该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

    Mar, 2017

  • 多模态融合支持用户自主权，检测用户何时需要社交机器人协助

    研究使用多个预测模型来预测需要协助的用户，并借助滑动窗口和随机森林分类算法的决策融合来提高其准确性，以维护用户的自主权和辅助机器人在更广泛任务设置中的应用潜力。

    Dec, 2020

  • 融合主题和社交潜在因素的协同过滤算法在隐式反馈中的应用

    本文以 user-generated content 为基础，提出了一种新的模型 MR3，将 collaborative filtering、social matrix factorization 和 topic matrix factorization 综合起来，加入了 implicit feedback 从而提高了其预测精度。

    Mar, 2018

  • 通过机器学习语言模型增强操作系统中的用户交互

    使用大型语言模型进行用户交互的研究，结合机器学习和交互设计来改善推荐系统和操作系统的用户体验，以提供更智能和个性化的服务，满足用户需求并促进产品的不断改进和优化。

    Feb, 2024