推荐系统中的扩散模型研究综述
本研究针对协同过滤在推荐系统中的广泛应用, 介绍了一个基于余弦相似度的在线协同过滤推荐模型,通过探索物品和用户之间的相似关系,期望最大化用户接受推荐的物品数量。研究结果表明,该算法在不知道用户类型数的情况下,经过几步初始探索,就可达到最佳表现。
Oct, 2014
本文提出了DiffNet++算法,结合社交网络与兴趣网络,通过三个方面迭代聚合用户嵌入,设计了多级注意力网络,有效地解决了社交推荐中数据稀疏问题。
Jan, 2020
本研究论文对推荐系统进行了综述,并指出现有方法的局限性,即很多方法只针对已有数据进行学习,难以应用于新用户或物品,同时也难以动态更新。因此,未来应该发展基于归纳学习和增量更新的推荐模型,并提出了未来研究的方向和待解决的问题。
Nov, 2022
使用基于评分的扩散推荐模型(SDRM)可以生成逼真的合成数据,用以保护用户隐私或解决数据稀疏的问题,并在替代或增补原始数据时相对其他模型提高了4.30%的召回率(Recall@$n$)和4.65%的NDCG@$n$。
Nov, 2023
使用神经模型通过条件扩散框架来恢复掩盖的反馈,在隐式反馈数据上实现了前向扩散,利用图傅里叶变换在图谱域中等效地表征模型,并在一个数据集上大幅超越最先进的方法,并在其他数据集上获得有竞争力的结果。
Nov, 2023
基于扩散模型的评论生成为可解释的推荐提出了一种名为Diffusion-EXR的方法,并展示了其在两个公开基准数据集上能够达到最先进的评论生成效果。
Dec, 2023
通过提出CF-Diff方法,结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器(CAM-AE),克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明,CF-Diff在三个真实世界数据集上优于基准推荐方法,相对最佳竞争对手的表现可达到7.29%的显著增益,并确保了计算效率与用户或物品数量呈线性比例。
Apr, 2024
社交推荐是一种利用用户之间的社交连接,如在线社交平台中观察到的关注和朋友关系,增强个性化推荐的强大方法。本研究提出了一种基于扩散的社交去噪框架RecDiff,通过在压缩和稠密的表示空间中进行多步噪声扩散和去除,识别和消除用户表示中的噪声,从而显著提高推荐准确性。实验证明了该框架在推荐准确性、训练效率和去噪效果方面的优越性。
Jun, 2024
本研究解决了当前推荐系统在数据稀疏情况下推荐效果不足的问题。通过在扩散模型推荐系统中引入无分类器指导的新方法,提高了推荐性能,特别是在多个数据集和推荐任务中的测评表现;这一创新为推荐系统的发展提供了新的方向和潜力。
Sep, 2024