Aug, 2024

相关性与多样性的结合：一个以用户为中心的知识探索推荐框架

HTML
PDF
TL;DR本研究解决了现代推荐系统中相关性与多样性之间的权衡问题，传统算法未能充分考虑用户与推荐项的互动。通过提出一个基于用户行为的概率模型，强调在用户互动中最大化多样性，结果表明，该推荐策略在多个数据集上优于现有的先进算法，具有提升用户知识获取的潜力。
发现论文，激发创造
  • 多样化推荐的分离表示

    本文提出了一个通用的推荐多样性框架，能在不牺牲精度的前提下实现商品类别的多样性，需要细致理解用户对商品的品质或预选属性的偏好，使用户表示与商品类别无关，通过改进模型能够在商品类别内改进用户分类喜好的建模与商品排序，通过实验证明了该模型对精度和多样性的提升。

    Jan, 2023

  • 推荐系统简介

    本文综述了个性化推荐及推荐系统的经典算法，评估方式，以及最近研究的方向：基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。

    Feb, 2023

  • GPT4Rec: 面向个性化推荐和用户兴趣解析的生成式框架

    本文介绍了 GPT4Rec，一种基于生成模型和搜索引擎的新型灵活推荐系统，它通过多查询生成技术和基于 BM25 的搜索引擎来更好地捕获用户兴趣，提高推荐的相关性和多样性。

    Apr, 2023

  • CAViaR: 上下文感知视频推荐

    提出了一种通过建模低多样性对用户对个别项目的参与度影响以调整项目得分来实现多样性和相关性均衡的新方法，该方法可插入现有的大规模推荐系统，具有显著的性能提高。

    Apr, 2023

  • 图探索很重要：在微信信息流推荐中提高个体和系统多样性

    提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案，使用检索图信息来增加多样性，捕捉用户的实时多样性倾向，并在微信应用的Top Stories等应用中实现并部署，离线模拟和在线AB测试显示该方案可以有效提高用户参与度和系统收入。

    May, 2023

  • 知识图谱上下文增强的多样化推荐

    在知识图谱领域中，针对推荐系统的多样化进行研究，引入了实体覆盖度和关系覆盖度的度量方法，并提出了多样化嵌入学习和条件对齐与一致性技术，以增强知识图谱驱动的推荐系统的多样性。

    Oct, 2023

  • 推荐系统评估技术综述

    本文详细介绍了推荐系统的评估方法，包括内容推荐和协同过滤机制的相似度指标，候选生成度量，预测指标，排名指标以及与经济目标相关的商业指标。同时强调了这些指标的上下文应用和相互依赖，提出了一种选择和解释这些指标的框架，以促进推荐系统的改进和商业目标的实现。

    Dec, 2023

  • 利用大型语言模型重新排序以增强推荐的多样性

    用大型语言模型进行多样性重新排序是一个有前途的方法，它能为推荐系统带来多样性而不需要特殊的知识工程。

    Jan, 2024

  • 基于知识图谱的语义对比学习改进内容推荐：多样性和冷启动用户

    我们提出了一种混合多任务学习方法，通过对描述性文本进行基于物品的对比学习，从而更好地理解知识图谱中的实体关系，提供更准确、相关、多样化的用户推荐，特别对有限物品交互的冷启动用户也能发挥作用。我们在两个广泛使用的数据集上进行了大量实验，验证了我们方法的有效性，并且结果表明基于物品的对比学习提高了实体嵌入的质量。

    Mar, 2024

  • 推荐系统中的意图多样化

    推荐系统中往往过于关注短期参与度，而此项研究关注将用户意图整合到整页推荐中以优化用户的长期体验。

    May, 2024