- KDD双重修正框架用于去噪推荐
通过双重校正框架进行去噪推荐,解决了推荐系统中显式反馈嘈杂样本的问题,提高了准确性和数据利用率。
- MM通过多任务处理不同偏好强度来改进一类推荐
在这篇论文中,我们提出了一个多任务框架,考虑到隐式反馈中每个信号的各种偏好强度,要求实体的表示同时满足每个子任务的目标,使其更具鲁棒性和可推广性。此外,我们还结合了注意力图卷积层,以探索用户 - 物品双向图中的高阶关系,并动态捕捉用户对其交 - 基于情绪、人口信息和隐式用户反馈的面向任务的文档驱动对话学习
近期人机交互领域的研究表明,考虑到人口统计信息、用户情感以及从话语中的隐含反馈中学习是任务导向和以文档为基础的对话系统获得用户接受和喜欢的关键。然而,这些发现尚未在自然语言处理领域得到应用,缺乏相应的数据集。为了填补这一空白,我们引入了 F - 机器学习算法和特征提取技术的可预测性
本论文研究了基于矩阵分解的预测系统,旨在预测特定数据集上特定模型的分类准确性。通过超过 50 个数据集的全面实证研究,着重于研究三种基础机器学习算法(随机森林、XGBoost 和 MLP)的性能预测,包括粗调和变体微调模型的可预测性,利用特 - 利用隐式反馈来改进问题生成
本文研究了一种基于模式匹配的自动问句生成系统 GEN,它可以从用户进行的(隐式)反馈中进行学习,并且根据反馈对所生成的问句进行打分和排名,取得了相当大的改进。
- DRIFT: 一种基于隐式反馈的联邦推荐系统
本报告提出了 DRIFT,这是一种基于 SAROS 的联邦推荐系统框架,使用隐式反馈来实现精细推荐,同时保护用户隐私,并证明了 DRIFT 在计算时间和安全性方面的优势。
- SIGIR基于偏差隐式反馈的双边自我无偏差学习
提出一种新的无偏向推荐算法 BISER(BIlateral SElf-unbiased Recommender),使用自反倾向权重(SIPW)和双边无偏学习(BU)相结合减少推荐模型对物品的曝光偏差和流行度偏差。经过多次实验证明,BISER - ACL利用正面和负面的隐式反馈进行新闻推荐的去噪神经网络
本文提出了一种名为 DRPN 的神经网络算法,利用正负隐式反馈来提高推荐性能,并通过降噪模块去除正负隐式反馈中的噪声,实现更好的新闻推荐性能。实验表明 DRPN 在大规模数据集上的表现是最先进的。
- WWWCausPref:用因果偏好模型进行非分布式推荐学习
本文提出了一种基于因果偏好的推荐框架 CausPref,该框架利用推荐特定 DAG 学习器进行因果学习,在处理隐式反馈过程中运用反偏好负采样技术,并在类型不同的超出分布情境下显著超越了基准模型。
- MM层次潜在关系建模用于协同度量学习
本文提出了一种基于协作度量学习(Collaborative Metric Learning,CML)模型的层次模型,可以联合捕捉数据中的潜在用户 - 物品和物品 - 物品之间的关系,并在多个真实数据集上的推荐任务中表现出比现有模型更好的性能 - SelfCF: 自监督协同过滤的简单框架
本文提出了一种自监督的协同过滤框架 (SelfCF),能够用于隐式反馈的推荐场景,该框架简化了 Siamese 网络并能够轻松应用于现有的基于深度学习的协同过滤模型,通过三种输出扰动技术来增强骨干网络生成的嵌入,尽管不区分背骨模型,但仍能够 - SIGIRSet2setRank:基于协同集合排序的隐性反馈推荐
研究人员在探索隐性反馈的独特特征之后,提出了 Set2setRank 框架来解决由于用户的行为数据缺乏导致的推荐结果不尽如人意的问题。该框架的优化目标是通过对比已观察到的和未观察到的商品,最大化满足用户偏好的商品排名。
- SIGIR基于参数密度估计的可扩展个性化物品排名
提出了一种基于概率密度的乘性正则化学习方法,并展示了该方法在真实数据集上优于点对和点值方法,这种方法可寻找到概率密度函数的最佳拟合,并使用最大似然估计得到负样本抽样分布,此外,该方法还具有很高的效率。
- 基于隐式反馈的联邦协同过滤更强隐私保护
我们提出了一个实用的联邦推荐系统,用于隐式数据下的用户级本地差分隐私,包括代理网络来减少用户跟踪表面。我们在 Movielens 数据集上进行实证研究,并在保护用户隐私的同时,实现了高命中率。
- KDD社交网络推荐预测的多方面分解模型群集
本文提出了一种称为多方面因子模型的新方法来改善社交网络中的推荐准确性,该方法将用户之间的社交关系、标签、档案等特征整合在一起,并采用隐性反馈,同时还利用用户行为模型来进行联合预测,并在 KDD-Cup 竞赛中获得了第二名的好成绩。
- 基于隐式反馈的物品推荐
本篇论文总结了商品推荐的独特特点和常见方法,讨论了训练目标的不同选择,提出了适合于常规推荐和点积模型的效率更高的学习算法,并探讨了商品推荐在检索任务中的应用。
- 基于脑电波的隐式人类反馈加速强化学习智能体
该研究提出通过 EEG 作为自然反应的形式来捕获人类的内在反应作为隐式反馈,并将人类智能通过隐式反馈与 RL 算法相结合,以加速 RL 智能体的学习。
- SIGIR自监督强化学习用于推荐系统
本文中提出了一种自我监督强化学习算法来弥补监督式推荐算法的不足,为仍处于离线状态的推荐者提供强大的梯度信号支持,其中包括两个输出层;一个用于自我监督,另一个用于强化学习,从而实现顾虑到长期用户参与度以及多种用户 - 项目交互等因素的推荐任务 - 推荐系统中的去噪隐式反馈
研究探讨了去噪隐式反馈机制对于推荐系统训练的影响和重要性,提出了一种自适应去噪训练策略(ADT),通过在训练过程中适当地剪枝噪声交互以提高推荐系统的训练质量。实验结果表明,ADT 显著改善了推荐质量。
- SIGIR分析和学习用户交互以进行搜索澄清
本文研究了在搜索引擎中使用澄清问题以揭示查询意图的用户交互,并提出了一种基于用户交互数据的学习表示澄清问题的模型,用于重新排列自动生成的澄清问题,同时在点击数据和人工标注数据上进行评估,展示了提出方法的高质量。