Jun, 2024

贪婪 SLIM：基于 SLIM 的偏好调查方法

PDF
TL;DR基于 SLIM 的贪心 SLIM 方法是用于偏好获取的一种新的训练技术，对于偏好获取比基于潜在因素模型的广泛使用的方法更加适用，通过离线实验和用户研究来评估其性能，结果表明该方法在用户研究方面表现出色。
preference elicitationrecommender systemsslimgreedy slimuser study
发现论文，激发创造
  • 可解释的主动学习用于偏好调查

    通过主动学习和基于用户的偏好调取方法，解决在推荐系统中缺乏用户存在或受限于其他用户数据访问的冷启动问题，从而提供个性化推荐。

    Sep, 2023

  • 个性化嵌入区域调查的冷启动推荐

    本文介绍了一种两阶段个性化引出方案来解决推荐系统在冷启动时的问题，通过要求用户对一小部分热门物品进行评分，并按顺序要求用户评分适应性物品来完善用户偏好和表示，最终根据用户的偏好区域生成推荐结果，并证明了该方法在多个数据集上的有效性。

    Jun, 2024

  • MeLU: 冷启动推荐的元学习用户喜好估计器

    本文提出了一种推荐系统，名为 MeLU，基于元学习方法，在用户冷启动状态下能够快速预测用户偏好并提供个性化推荐，其关键在于选择特异性证据进行预测，该方法成功优于其他两种比较模型并被用户研究实验所验证。

    Jul, 2019

  • 交互推荐中的软属性偏好征求

    基于软属性，利用概念激活向量开发了一种新颖的偏好征集方法，结合了物品和属性的偏好征集，以提高推荐系统的推荐质量。

    Oct, 2023

  • 通过使用相关问题在对话式推荐系统中征求用户偏好

    该研究论文提出了一种基于使用情况的隐式问题提取方法，利用大型评论语料库中的句子和神经文本转换模型生成问题，以更有效地收集用户偏好，通过众包方式完成多阶段数据注释协议以准确标记神经模型训练数据，并进行了模型性能分析。

    Nov, 2021

  • 通过集合最大边缘学习实现建设性偏好征求

    本文提出了一种适用于大型配置空间的偏好获取方法，其中集合最大间隔法可视为将最大间隔学习推广到集合领域，并可生成一组 “多样化” 的项目，以询问用户的详细信息。此外，该方法可以鼓励参数空间的稀疏性，以支持有利于仅集中于少数特征权重组合的实用性评估。我们提出了一个混合整数线性规划公式，并展示了我们的方法如何与贝叶斯偏好获取替代方案相比有优势，并且可以轻易扩展到现实数据集。

    Apr, 2016

  • 基于 LLM 的习得函数的贝叶斯优化在自然语言偏好了解中的应用

    设计一个基于贝叶斯优化框架的自然语言查询方法，通过与用户进行对话来主动获取自然语言反馈，以减少对项目效用的不确定性，从而识别出最佳推荐。

    May, 2024

  • Epsilon 非贪婪：通过均匀数据进行无偏推荐的赌博机方法

    为了纠正推荐系统中的自反馈偏差，该研究提出了一个基于环境的多臂赌博机框架，使用少量均匀收集的数据来学习无偏估计器，并重点关注模型理解有限的项目，以生成改进的训练数据，有效解决了自反馈偏差问题。通过使用提出的训练方案进行广泛实验，证明了该模型优于现有的去偏方法。

    Oct, 2023

  • 基于偏好的交互式多文档摘要

    本研究提出了一种基于互动学习的文本摘要框架 APRIL，通过主动学习、偏好学习和神经强化学习，有效减少了与用户的交互次数，提高了系统的摘要效果。

    Jun, 2019

  • 嘈杂配对比较下的主动嵌入搜索

    利用主动学习策略来最大化信息收集，在低维空间中通过成对比较预测用户偏好向量的两个新策略，验证表明其在性能方面优于现有的选择方法和随机查询。

    May, 2019