- XRec: 可解释的推荐系统的大型语言模型
这项研究介绍了一种名为 XRec 的模型无关框架,利用大型语言模型(LLMs)的语言能力推动可解释的推荐系统的发展,该框架通过集成协作信号和设计轻量级的协作适配器使 LLMs 能够理解用户和物品之间的复杂模式并更深入地了解用户的偏好,全面且 - ICLRImplicitSLIM 和它在基于嵌入的协同过滤中的改进
ImplicitSLIM 是一种新颖的无监督学习方法,适用于稀疏高维数据,并应用于协同过滤。
- KDD对抗热度偏差的流行度感知对齐与对比
通过实证分析流行度偏见并提出了面向流行度偏见的对齐和对比模块来解决两个挑战,即从流行物品中提取通用监督信号以改进不受欢迎物品的表示,并从流行度视角提出重新加权的对比学习损失以减轻表示分离。
- 基于知识图谱与复杂网络度量的出人意料推荐模型
本研究在已有的推荐系统基础上,提出了一种基于知识图谱的推荐系统,通过编码用户对物品目录的交互来评估并增加推荐的出人意料程度。实验结果表明,基于复杂网络度量重新排序物品可以产生更出人意料和令人惊喜的推荐列表。
- IJCAISVD-AE:协同过滤的简化自编码器
通过设计一种基于奇异向量分解(SVD)的线性自编码器,该研究提出了一种简单而有效的 SVD-AE 算法,该算法不需要迭代训练过程,可以通过 SVD 的闭式解进行计算,提高了推荐系统的噪声容忍性和效率。
- 多边损失函数:在推荐系统中的提出和应用
多边界损失(MML)是一种简单而有效的损失函数,通过引入多个边界和变化的负样本权重,解决了资源有限时的挑战,并在两个知名数据集上实验证明,在使用更少的负样本时,MML 相对于基准对比损失函数取得了高达 20%的性能提升。
- 从大型语言模型到推荐系统的知识迁移:实践工业应用
借助大型语言模型(LLMs)预训练的能力来提升推荐系统的性能,采用 LLMs 作为物品编码器,通过 LEARN 框架将开放世界知识与协同知识相结合,以解决冷启动和长尾用户推荐中的性能问题。
- 在线策略学习与矩阵补全的推理
基于矩阵完成赌徒问题 (MCB) 和在线梯度下降算法,探索碎状历史特征的在线决策问题。研究比较不同勘探概率和步长调度下的策略学习和后悔表现,同时研究基于反向反比加权 (IPW) 的去偏方法和在线策略推理的通用框架,通过实验验证理论结果,应用 - RE-RecSys: 一个房地产领域的推荐属性的端到端系统
我们提出了一个实时房地产推荐系统,RE-RecSys,它已在实际产业环境中实施。我们基于可用的历史数据将用户分为四个类别:i)冷启动用户;ii)短期用户;iii)长期用户;和 iv)短长期用户。对于冷启动用户,我们提出了一种基于地区热度和用 - MM通过缓解操纵攻击来推进推荐系统
该论文提出了一种准确检测系统中有假评价账户的算法,并研究这些账户对推荐系统的影响。
- 混合监督图对比学习用于推荐
本文提出了一种 Mixed Supervised Graph Contrastive Learning for Recommendation (MixSGCL) 方法,通过将推荐和无监督对比损失的训练整合为一个监督对比学习损失,解决了当前基 - SIGIRTurbo-CF: 矩阵分解免费图过滤用于快速推荐
Turbo-CF 是一种基于图过滤和协同过滤的方法,不需要训练和矩阵分解,通过使用多项式图过滤器在不显式矩阵分解的情况下实现高效的推荐准确性,适用于快速推荐场景。
- SIGIR基于扩散模型的协同过滤:揭示高阶连接的潜力
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 - 大型语言模型与协同过滤相遇:一种高效全能基于 LLM 的推荐系统
提出了一种高效的全方位基于语言模型的推荐系统,能够在冷和热场景下表现出卓越的性能,并利用协同知识和高质量用户 / 物品嵌入来生成自然语言输出。
- 通过端对端自适应局部学习对抗主流偏见
通过提出一种名为 TALL 的新型端到端自适应本地学习框架,研究通过缓解主流偏见来改善基于协同过滤的推荐算法,在提高主流和小众用户的推荐质量方面取得了最先进的性能。
- 消息传递如何改善协同过滤?
通过正式的研究和理论分析,我们发现消息传递主要通过在正向传播过程中从邻居节点传递额外表示来改善协同过滤(CF)性能,而不是通过模型的反向传播过程中对邻居表示的额外梯度更新。 当应对额外的计算开销时,我们提出了一种名为 TAG-CF 的测试时 - 面向推荐的双边不对称图对比学习
提出了一种名为 Bilateral Unsymmetrical Graph Contrastive Learning(BusGCL)的新框架,该框架考虑了用户 - 物品节点关系密度的双侧不对称性,通过双侧切片对比训练更好地推理用户和物品图, - 通过动态修剪加速矩阵分解以实现快速推荐
提出了算法方法加速矩阵分解,通过观察矩阵特征的细粒度结构稀疏性,重新排列特征矩阵并修剪不显著的潜在因素,实现了乘法和更新过程中的动态剪枝操作,加速了推荐系统中矩阵分解的训练过程。
- 邻域增强的监督对比学习在协同过滤中的应用
我们提出的 Neighborhood-Enhanced Supervised Contrastive Loss (NESCL) 模型在三个真实数据集上, Yelp2018、Gowalla 和 Amazon-Book,相较于原始的 SGL 模 - 使用混合多准则推荐系统与遗传优化帮助大学生选择选修课程
使用混合推荐系统,结合协同过滤与基于内容过滤的方法,根据学生和课程信息,通过遗传算法自动发现最佳配置,以更可靠地推荐最适合的课程。实验结果表明,混合模型在课程推荐中的重要性,使用该模型相较于之前的模型表现出色。