- 基于变分信息瓶颈的距离度量学习模型
本文首次将变分信息瓶颈与度量学习模型相结合,提出了一种新的度量学习模型 VIB-DML(Variational Information Bottleneck Distance Metric Learning),用于评分预测,通过解耦潜在空间 - 从数据到决策:机器学习在商业推荐中的变革性能量
本研究探索了机器学习对推荐系统的影响,特别是在商业环境中它们日益重要的背景下。揭示了机器学习在数据获取、特征工程和评估指标等方面对推荐系统的塑造和优化作用,并强调了增强推荐算法的迭代性质。探索了推荐引擎在各个领域的应用,以展示它们对用户体验 - 基于提示的个性化冷启动推荐
本研究提出了一种基于预训练语言模型的情感分析方法来解决冷启动问题,并引入了一个评估方法来验证其有效性。
- ColdNAS:面向用户冷启动的推荐搜索调节
通过神经架构搜索,我们提出了一个用于解决用户冷启动问题的调制框架,称为 ColdNAS,该框架能够根据不同的数据集自适应地选择不同的调制函数,从而为冷启动用户进行个性化推荐提供更好的性能表现。
- KDDTransAct: 基于 Transformer 的 Pinterest 实时用户行为模型推荐算法
该研究提出了 Pinterest 个性化推荐产品 Homefeed 的排名结构与使用的混合模型 ——TransAct,该模型能够从实时用户活动中提取用户的短期偏好,结合离线生成的用户嵌入向量以提高效率,使用该模型进行的混合排序能够有效优化推 - 多智能体社会选择下的动态公平推荐
在个性化推荐背景下的算法公平性面临着与分类任务中不同的挑战。本文提出了一种多人利益相关社会选择问题的形式化模型,将推荐公平性表述为一个分配和聚合问题的结合,并提出了一些新的推荐技术。
- 从零开始训练个性化推荐系统:前瞻而非后退
本文提出了一种利用推荐系统训练独特属性设计嵌入式缓存的 ScratchPipe 架构,旨在解决推荐系统训练中由于嵌入层占用过多内存而导致性能低下的问题。
- MetaBalance:通过调整辅助任务的梯度幅度来改善多任务推荐
本文提出了一种新方法 ——MetaBalance,通过直接操纵多任务网络中共享参数的梯度来平衡辅助任务的损失,以解决多任务学习时存在的优化失衡问题,实验结果表明该方法在两个真实数据集上相对于最强基线提高了 8.34%的 NDCG @ 10。
- WWW用于触发型推荐中点击率预测的深度兴趣高亮网络
本文提出一种新的推荐问题,即可以明确引起用户瞬时兴趣的触发项,并根据其推荐相关的库存项。通过在真实的电子商务平台上的离线和在线评估,本研究证明了 Deep Interest Highlight Network (DIHN) 在 Trigge - 双边平台公平推荐的研究
通过将公平个性化推荐问题映射到分配不可分割商品问题的约束版本中,我们提出了一种名为 FairRec 的算法,可以保证最大的最小份额(α-MMS)的影响力,同时为客户提供 Envy-Free up to One Item(EF1)的公平性保证 - SAR-Net: 面向数百个旅游场景的个性化公平推荐排序网络
本文提出了一种名为 SAR-Net 的场景感知排名网络,它通过学习用户的跨场景兴趣,以应对不同场景下的个性化推荐问题。借助注意力模块、线性转换层、去偏置专家网络等组件,SAR-Net 自适应地提取场景特定特征,并通过公平系数的使用,以增强对 - KDD基于多层视觉相似度的个性化旅游景点推荐算法
提出了一种基于多级视觉相似性和自关注机制的个性化旅游景点推荐模型 (MEAL),该模型利用旅客拍摄的照片和用户的交互行为数据来获取最终的用户和旅游景点嵌入向量,并以此为基础预测旅游景点的访问概率。
- 个性化基于 Session 的推荐的异构全局图神经网络
本文介绍了一种基于 Heterogeneous Global Graph Neural Networks 的物品跃迁模型,该模型利用用户历史和当前会话的信息推断用户偏好,从而提供个性化的推荐服务。
- UPRec: 面向用户的推荐系统预训练
本文提出了一种名为 UPRec 的方法,通过构建自监督任务来利用用户属性和结构化社交图形,并将用户信息整合到预训练模型中,为用户提供更合适的推荐。
- WSDM使用超立方体学习用户表示以进行推荐系统
本文提出了一种新的用户兴趣表示模型 —— 超立方体模型,能够较好地建模用户兴趣,通过计算用户超立方体与物品之间的组合距离,可以更好地捕捉用户兴趣的多样性,实验结果表明,该模型优于现有的协同过滤方法并取得了很好的推荐效果。
- 利用用户收听数据学习音频嵌入以进行基于内容的音乐推荐
使用用户的听歌历史和个人信息,借助于度量学习及 Siamese 网络,构建出用户嵌入和音频嵌入表示,从而提出了基于内容的音乐推荐方法,并将音频嵌入作为音乐类型分类任务的特征。实验结果表明,该方法达到了最新的性能。
- 长尾式基于会话的推荐
本文提出了一种新的网络架构 TailNet,将项目分类为短头和长尾项目并根据点击频率确定用户偏好,以软调整和个性化推荐,以提高长尾推荐的性能,同时保持与其他方法的竞争精度性能相当,通过两个真实世界数据集的广泛实验验证了我们方法的优越性。
- 电子商务推荐系统中的回声室理解
阿里巴巴淘宝上的个性化推荐算法存在回声室效应,而用户购买行为相对较少受到影响,通过分析用户点击行为和购买行为,可以指导推荐算法的改进。
- 面向点击率预测的自动神经交互发现
本文提出了一种基于自动交互架构发现的 CTR 预测框架 AutoCTR,使用神经架构搜索技术探索了不同数据集的 CTR 预测模型,取得了在不同数据集上的预测效果和泛化性能的成功。
- SIGIR尝试这个替代方案:个性化和可解释的替代品推荐
提出了一种基于用户评论属性的协同过滤算法,可以在保证个性化推荐的同时,提高推荐结果的可解释性,尤其是在涉及可替代物品的推荐时。实验证明,该算法在三个真实数据集上的推荐效果和解释质量均较好。