关键词bayesian personalized ranking
搜索结果 - 7
- SimCE:简化协同过滤中的交叉熵损失
学习目标对协同过滤系统至关重要,贝叶斯个性化排名(BPR)损失广泛用于学习信息丰富的骨干。然而,BPR 往往收敛较慢且局部最优解不理想,部分原因是因为它仅考虑每个正样本一个负样本,忽视了其他未观察到项目的潜在影响。为了解决这个问题,最近提出 - 推荐系统中硬负采样背后的理论
本文探讨了利用 Hard Negative Sampling(HNS)进行大规模数据训练推荐模型的效果机制,分别从 HNS 在 Bayesian Personalized Ranking(BPR)中的应用、One-way Partial A - 去偏见的隐性反馈可解释的成对排名
本文针对 Bayesian Personalized Ranking 模型的黑箱模型、暴露偏差等两个局限进行改进,提出一种新的可解释且公平的推荐模型 Explainable Bayesian Personalized Ranking,并在三 - 捷足先登:时尚电商中销售前预测回报
本文提出了一种基于深度神经网络和贝叶斯个性化排名的新方法,利用产品嵌入和 skip-gram 模型来捕捉用户的口味、隐含特征和身体形状以预测退货可能性,进行了一些实时实验以减少时装电子商务平台的总退货量。
- KDD用于序列推荐的分层门控网络
该研究提出了一种分层门控网络(HGN),与贝叶斯个性化排名(BPR)相结合,用于捕捉长期和短期用户兴趣,实现顶部 N 的顺序推荐,并通过五个真实的数据集进行了广泛评估。
- WWW频谱增强的成对学习排序
通过使用超图结构的波谱特征来模拟用户的偏好和商品的特性,并将其结合到矩阵分解模型中来增强推荐系统的性能,并且使用波谱特征来优化贝叶斯个性化排序,以丰富用于无显示反馈数据中的正样本。
- 利用观察数据优化贝叶斯个性化排名的采样器设计
该研究提出了针对电子商务领域的负采样算法,使用用户的附加反馈来优化商品推荐模型,在两个真实数据集中相对于基础模型有着 37.03%和 16.40%的提升,同时采用了适合学习过程的用户定向加权策略,有针对性地调整商品排序,避免了不必要的负样本