- 动态不确定因果图的方法论和临床诊断的实际应用以及解释性和不变性
基于动态不确定因果图 (DUCG) 的人工智能辅助临床诊断,具有可解释性、高诊断精度和推荐算法。
- 支持成年人在家自我管理心血管疾病风险因素的推荐算法
提出了一个基于知识的推荐算法,结合了规则逻辑与大型语言模型的能力来改善心血管疾病的预防效果,支持成年人在家自我管理心血管疾病风险因素。该算法在评估中表现出有用性,并且评价了更多的心血管疾病风险因素,生成的推荐具有更大的信息和语义容量。
- 通过筛选后验采样激励探索
社交学习问题中的激励探索(IE)进行了研究,其中委托方(推荐算法)可以利用信息不对称来激励连续到达的代理采取探索性行动。我们确定了后验抽样作为 IE 的一种通用解决方案,后验抽样在多臂赌博机文献中是众所周知的。我们在几个实际相关的维度上扩展 - 基于关注知识图谱卷积网络的旅游景点推荐
本文提出了一个基于知识图谱的改进型注意力知识图卷积网络模型(Att-KGCN),可以在推荐旅游景点方面发挥很好的效果并提供更多旅游选择建议。
- 可解释元学习框架
该论文提出了一种可解释的元学习框架 FIND,它不仅可以解释元学习算法选择的推荐结果,还可以提供与业务场景相结合的特定数据集上推荐算法性能的更完整和准确的解释。该框架的有效性和正确性得到了广泛实验的证明。
- ICML使用基于仿真的推理技术检测和量化恶意活动
本文提出使用概率编程技术来解决推荐算法中的恶意用户识别问题,并展示了在模拟结构化模型中使用此技术来量化恶意用户的行为对系统动态的影响。
- 评估观看历史对 YouTube 伪科学视频推荐的影响:仅是 “流感” 而已
本文通过收集 6.6K 有关 COVID-19,平地球理论以及反疫苗和反口罩运动的视频,用众包的方式注释它们的科学性,并训练了一种深度学习分类器来检测虚假科学视频,揭示了用户在 YouTube 上曝光这些内容的情况及其变化,以及用户历史记录 - 算法极端主义:审视 YouTube 激进化的兔子洞
通过分类研究了近 800 个政治频道的 YouTube 算法流量,并分析了每个群体的推荐结构,结果表明,YouTube 推荐算法不会鼓励极端化或激进化内容,相反,它更喜欢传统媒体和有着左倾或政治中立态度的独立的 YouTube 频道。
- YouTube 上激进化路径审计
本文利用大规模数据分析研究了 YouTube 上用户的激进化现象,结果表明随着时间推移,用户越来越倾向于消费极端化的内容,尤其是从 I.D.W 和 Alt-lite 渐进到 Alt-right 频道,并且通过探究 YouTube 的推荐算法 - WWWTwitter 的时间效应对 Hashtag 重用的影响:基于认知启发的 Hashtag 推荐方法
该研究使用 BLL 公式设计了一个以时间为中心的 BLLi,s 算法,用于推荐标签并结合时间因素进行预测,结果表明 BLLi,s 相比于其他推荐算法具有更准确的预测和排序结果。
- 利用社交标签解决推荐系统中的冷启动问题
提出了一种基于用户标签对象三元图的推荐算法,考虑到社交标签在信息检索中的重要作用,该算法计算时间成本低,并在 Del.icio.us 和 MovieLens 两个真实数据集上的实验结果表明它可以提高算法准确性和多样性,特别是在用户拥有多样的 - 基于用户 - 物品 - 标签三分图的一体化扩散个性化推荐
本篇论文提出了一种基于用户 - 物品 - 标签三元图的整合扩散的推荐算法,利用协同标签信息,在三个数据集上评估了算法的准确性、多样性和新颖性,实验结果表明利用标签信息可以显著提高推荐的准确性、多样性和新颖性。