May, 2024

认知进化学习用于推荐系统的特征交互选择

PDF
TL;DR特征交互选择是商业推荐系统中的一个基本问题。本文提出了一种新颖的 Cognitive EvoLutionary Learning (CELL) 框架，该框架受到自然有机体的进化和功能启发，通过进化选择适应性操作、特征和交互，从而实现对不同任务和数据的自适应演化，显著优于现有基准模型。
feature interaction selectionrecommender systemscognitive evolutionary learning (cell)adaptively evolvenatural selection
发现论文，激发创造
  • 深度协同网络：嵌入用户和物品特征用于推荐

    此研究提出一种基于深度协同演化网络的推荐系统，利用点过程和循环神经网络来学习用户和物品的潜在特征，捕捉它们之间的相互影响和特征随时间的演化变化，经实验证明，该模型较传统方法具有更好的推荐性能。

    Sep, 2016

  • 为推荐系统检测有效特征交互

    利用图神经网络方法和基于 L0 激活正则化的边缘预测技术，自动检测有益于提升推荐准确性的特征交互作用，取得了比现有方法更好的准确性表现。

    Aug, 2020

  • MEL：高维特征选择的高效多任务进化学习

    该研究提出了一种名为 PSO-based Multi-task Evolutionary Learning（MEL）的新方法，通过利用多任务学习来提升特征选择的学习能力和效率，并在 22 个高维数据集上进行了广泛实验，与其他 24 种进化计算方法进行对比，表现出强大的竞争力。

    Feb, 2024

  • 深度进化方法以生物启发的分类器优化用于脑 - 机交互

    本研究提出一种使用进化计算来选择有用的识别脑电特征并优化人工神经网络拓扑结构的新方法，同时探讨了深度学习和长短时记忆的调整，使用三个分类器对注意状态、情感和数字数据集进行比较，结果表明自适应提升的 LSTM 可以在注意力、情感和数字数据集上分别达到 84.44%、97.06% 和 9.94% 的准确度，进化优化的 MLP 趋近于自适应提升的 LSTM。

    Aug, 2019

  • 利用广义经验的自适应操作符选择

    通过强化学习提出并评估了一种新的方法来帮助开发通用框架，用于获取、处理和利用即时和未来使用的经验，以解决优化问题和平衡探索和开发之间的挑战。

    Dec, 2023

  • 学习与进化：影响有效结合的因素

    这篇论文通过一系列实证研究探讨结合学习和进化是否比单独使用进化更好，结果表明引入噪声可以改善此过程。

    Jun, 2023

  • 嵌入式特征选择在 LSTM 网络中的多目标进化集成学习用于时间序列预测

    LSTM 网络在多目标进化算法的支持下，通过分区优化权重和偏差，构建非优势预测模型集合进行元模型构建，并提供属性重要性确定的方法，实验证明优于现有方法。

    Dec, 2023

  • 特征可变流数据下的学习

    本文提出了一种新的学习范式：可变特征流式学习，通过恢复消失的特征来提高性能，开发了两种集成方法与实验数据验证了我们的提议的有效性。

    Jun, 2017

  • EvoLearner: 使用进化算法学习描述逻辑

    本文介绍了一种基于进化式学习的方法 ——EvoLearner 来学习知识图谱知识，并对这种方法在数据属性上提供了新的支持，同时通过 SML-Bench 基准框架展示了其显著的性能优势。

    Nov, 2021

  • 神经互动协同过滤

    本文研究基于交互反馈的协同过滤推荐系统，提出了一种使用神经网络进行探索策略的方法，并使用强化学习最大化用户的满意度来平衡学习用户偏好和进行精准推荐的探索策略，在三个标准数据集上的实验证明了该方法的优越性。

    Jul, 2020