- 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。
- 协同过滤的频率感知图信号处理
我们提出了一种频率感知的图信号处理方法(FaGSP),用于协同过滤,它通过设计级联滤波模块和并行滤波模块,结合线性模型,更准确地建模用户偏好,并在预测准确性和训练效率方面展示了优越性。
- RDGCL:反应扩散图对比学习用于推荐
我们提出了一种新颖的对比学习方法,叫做反应扩散图对比学习模型 (RDGCL),用于改进推荐系统的准确度和多样性。我们的方法结合了对比学习、图卷积网络和协同过滤技术,通过设计我们自己的图卷积网络以及扩散和反应方程,在推荐系统中实现了反应和扩散 - 协同信号:通过图神经网络利用协同参与和语义链接
基于语义的图神经网络(SemanticGNN)是在大规模知识图谱中建模实体、语义概念、协作边和语义边,并对其进行表示学习的一种新颖的图模型,通过融合协同活动数据和丰富的语义信息提供更准确的实体相似度计算。实证实验证明所提出的模型在相似度判断 - 自适应谱图小波用于协作过滤
我们提出了一种基于谱图小波的协同过滤框架,用于隐式反馈数据的个性化推荐,通过将用户、物品及其交互表示为一个二分图,利用自适应转换函数和深度推荐模型,来学习用户和物品的低维表示,同时促进推荐质量。实验证明,相比基准方法,我们的模型在真实世界的 - 基于矩阵和张量的推荐系统的动态协同过滤
本研究介绍了一种用于连续数据流更新模型的协同过滤模型(Tucker Integrator Recommender - TIRecA),它可以通过仅使用新数据段来高效更新参数,从而实现对推荐系统中新用户和物品的增量添加,实验结果表明其训练速度 - 基于图神经常微分方程的协同过滤方法
我们提出了一种基于图神经常微分方程的协同过滤方法(GODE-CF),该方法通过利用一个或两个图卷积网络层捕获的信息来估计最终嵌入,并证明了该模型在多个数据集上优于竞争基线和其他最新的协同过滤方法。值得注意的是,我们的 GODE-CF 模型相 - KDD图变分嵌入协同过滤
推荐系统中,通过使用图卷积网络中的变分嵌入进行预训练,取得了改善特征传播的效果,进而提高回忆率和归一化折现累积增益指标。
- 面向协同过滤的图感知扩散建模
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。
- 基于协同过滤的具有物品依赖的课程推荐的两阶段模型
基于协同过滤模型的课程推荐引擎的提出与优化,解决了缺乏评级和元数据、课程注册不平衡以及课程依赖性建模等挑战,并通过基于课程转换网络的图推荐器,实现了真实数据集 AUC 值高达 0.97。
- 推荐系统中的嵌入:一项调查
推荐系统中的嵌入技术是关键,它将高维离散特征转化为低维连续向量以提升推荐性能,并涵盖协同过滤、自监督学习和基于图的技术,同时介绍了自动机器学习、哈希技术和量化技术,旨在改善推荐系统的性能和降低计算复杂性。
- 应对流行度分布变动的稳健协同过滤
该研究提出了一种简单而有效的消除偏见策略 PopGo,该策略通过量化和减少基于流行度表示的互动式快捷方式的程度,而无需对测试数据进行任何假设,在两个高性能的协同过滤模型(MF、LightGCN)上,PopGo 在四个基准数据集上显著超越了现 - 基于知识的自然语言推荐解释
通过使用知识图谱方法和协同过滤技术,我们的研究提出了一种可以生成客观描述的推荐解释的方法,该方法结合了用户购买历史和物品特征,为用户提供与其偏好相匹配的个性化解释,实验结果表明该方法在自然语言可解释推荐方面优于现有的最新模型。
- 对抗性协同过滤免费
在这篇论文中,我们提出了一种名为 SharpCF 的简单而有效的方法,该方法在基本优化器上进行敌对训练的同时并不增加额外的计算成本。通过分析发现,敌对训练实际上是寻求模型参数位于最优模型参数周围,具有统一低损失值的领域,从而实现更好的普适性 - 基于图的推荐对齐和统一性
基于协同过滤的推荐系统依赖于准确预测用户和物品的偏好的学习表示。本文提出了一种新的方法,基于图的对齐和均匀性(GraphAU),通过显式考虑用户 - 物品双部图中的高阶关联性来解决稀疏性问题。在四个数据集上的实验证明,GraphAU 显著缓 - UIPC-MF: 用户 - 物品原型连接矩阵分解用于可解释协同过滤
UIPC-MF 是基于原型的矩阵因式分解方法,用于可解释的协同过滤推荐,通过学习反映用户和物品原型之间关联关系的连接权重,提供更好的透明度和较高的推荐性能。
- 协同过滤损失函数的深入理解
本文分析了现有损失函数之间的关系,揭示了先前的损失函数可以解释为对齐和均匀度函数,并基于此分析提出了一种新的损失函数 MAWU,该函数考虑了数据集的独特模式,通过缓解用户 / 物品特定的流行度偏差和调整用户和物品均匀度之间的重要性,使得使用 - ADRNet: 一个结合临床和非临床数据的广义协同过滤框架,用于不良药物反应预测
使用 ADRNet 模型,结合临床数据和非临床数据,对药物的不良药物反应进行预测和评估,并通过两个公开的临床数据集和两个非临床数据集进行了详细实验验证。
- 协同过滤捕捉 AI 用户的偏好作为规范
个性化 AI 技术的定制对其良好运行至关重要,当前的方法需要太多用户参与,无法真正捕捉其偏好。我们认为需要一种新的视角来构建规范,利用整个用户系统中大量可用的偏好信息,启发于推荐系统,我们相信协同过滤可以提供一种适合的方法来识别用户的规范偏