该论文提出了一种基于时间间隔改进的数据增广方法,提高了串行推荐的性能表现,并在四个真实数据集上验证了该方法相较于其他 11 种竞争方法显著更好的性能表现。
Dec, 2022
提出了一种名为 UniSRec 的序列表示学习方法,利用与物品相关的描述文本来学习跨不同场景或平台的可转移表示,其中包括轻量级物品编码体系结构和多域负数采样的对比预训练任务。通过预训练的模型将有效地转移到新的推荐领域或平台,在真实世界的数据集上进行的广泛实验表明了该方法的有效性。
Jun, 2022
本文提出了一种名为 UPRec 的方法,通过构建自监督任务来利用用户属性和结构化社交图形,并将用户信息整合到预训练模型中,为用户提供更合适的推荐。
Feb, 2021
本文提出了一种名为 UniTRec 的框架,它使用预训练语言模型来增强基于文本的推荐系统,其中该框架使用 Transformer 编码器和解码器来处理用户历史和候选文本,利用语言困惑度作为对比信号进行匹配,展现了 SOTA 的表现。
May, 2023
本文提出基于神经网络的推荐模型(NeuRec),该模型通过排序任务展示了其在个性化推荐方面的优异性能,同时解决了用户 - 物品交互中的复杂性和非线性问题,并通过非线性转换和隐性因素的组合,设计出两个变体 NeuRec 模型,即基于用户的 NeuRec 和基于物品的 NeuRec。
May, 2018
提出了一种新型的推荐系统,TimelyRec,通过考虑用户偏好的不同的时间模式和其他特征(即周期性与演化)来联合学习用户偏好的异质性时间模式并利用一种注意力模块,进而提供及时的推荐,实验结果表明该方法在实现及时推荐时表现出色。
Apr, 2021
通过模型对用户 - 商品的互动矩阵进行建模,并提出了一个修正双向偏差的损失函数,我们提出了一个统一的用户 - 商品匹配框架,以实现商品推荐和用户定位,深度减少了计算资源和日常维护成本,从而证明了我们的框架相对于现有方法的显著性能提升。
Jul, 2023
该论文提出了一种基于内核的神经网络,即深度统一表示 (DURation),用于异构推荐,通过联合建模异构项目的统一表示来解决数据稀疏性问题,并在现实世界数据集上进行了广泛的实验,表明该模型比现有的最先进模型具有显着的提升。
Jan, 2022
本文提出了一种名为 TransRec 的方法,它可以将用户和项目之间以及项目之间的复杂交互建模,用于预测用户的个性化顺序行为,通过将项目嵌入到 “转换空间” 中,并使用用户来操作项目序列的翻译向量,以便捕捉第三阶交互关系。在广泛的真实世界数据集中,该方法表现优于现有方法。
Jul, 2017
AdaRec 是一种适应性的顺序推荐模型,利用基于距离的表示损失从用户的交互轨迹中提取潜在信息,帮助策略识别推荐系统的细微变化,并通过乐观推测的方式进行探索,同时使用零阶动作优化以在复杂环境中保持稳定的推荐质量。在模拟器和实际应用中,AdaRec 在长期性能方面优于所有基准算法。
Oct, 2023