- 推荐中的策略化测量:用户调整行为以塑造未来内容
用户行为对推荐算法产生影响,用户可以采取策略来塑造其未来的推荐结果。该研究实验证明用户策略化行为普遍存在,推荐平台需要考虑算法对用户行为的影响。
- 设计算法推荐以实现人工智能与人类的互补性
通过利用潜在结果的框架,我们在不限制诸如建议对决策的影响的条件下,规范了协助人类决策者的推荐算法的设计,并引入了一个单调性假设,该假设导致了对算法的人类响应的直观分类, 我们通过在线实验展示了我们框架的效用,并认为我们的方法可以解释实验中不 - 利用推荐模型为阅读障碍学生提供支持
使用人工智能建议最合适的辅助工具和策略以支持患有阅读障碍的学生,证明该方法可以作为一种新的有效的支持方法。
- InteraRec: 使用多模态大型语言模型的交互式推荐
通过捕获用户在网站上导航过程中的高频截图,利用多模态大型语言模型(MLLM)从这些截图中提取用户偏好的有价值洞察,基于预定义的关键词生成用户行为摘要,并将该摘要作为输入传递给 LLM 综合优化设置,从而产生量身定制的推荐,我们的实验证明了 - 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。
- 使用 ChatGPT 进行对话式推荐:通过反馈重新提示的方式改善推荐
在这篇论文中,我们研究了 ChatGPT 作为一个前 n 个对话式推荐系统的有效性,通过在 ChatGPT 周围建立一个严谨的流程来模拟用户如何实际查询模型以获得推荐,并通过反馈反复提示以优化推荐。我们进一步探讨了 ChatGPT 推荐中的 - 双边市场中用户和创作者的匹配问题
许多当前的在线平台,包括社交媒体网站,是连接内容创作者和用户的双边市场。本研究提出了一个内容推荐模型,明确关注用户与内容匹配的动态,并具有用户和创作者可能永久离开平台的新特性。我们展示了两种实用算法,在考虑双边离开的情况下,在总体参与度方面 - 算法勾结还是竞争:平台推荐系统的作用
最近的学术研究广泛关注了由人工智能(AI)动态定价算法引发的算法勾结问题。然而,电子商务平台采用推荐算法来分配对不同产品的曝光,并且这个重要方面在以前的算法勾结研究中被大大忽视了。我们的研究弥补了文献中的这个重要空白,并且检查了推荐算法如何 - 揭示最佳 SDG 路径:通过图修剪和意图图图优化的创新方法实现有效推荐
本文提出了一种名为 User Graph after Pruning and Intent Graph (UGPIG) 的方法,通过高密度链接能力的剪枝用户图和包含意图网络的意图图,以解决推荐算法中的空间异质性和历史交互数据稀疏性问题,实现 - 本地音乐推荐中的流行度衰减偏差
本研究探讨了流行度下降偏差对本地音乐推荐的影响。具体而言,我们研究了两种表现优异的推荐算法 —— 权重相关矩阵分解(WRMF)和多项式变分自编码器(Mult-VAE)在推荐艺术家时对艺术家流行度的准确性。研究发现,这两种算法在推荐流行艺术家 - YouTube,极端派别的促进者?在 YouTube 推荐中审计和减轻意识形态偏见
通过分析一百万个卧底账号的数据,我们发现 YouTube 推荐算法导致特定倾向用户越来越极端化的问题,设计了底层干预方法,成功将这种倾向最小化,然而这种干预措施对于偏向右翼用户来说更为困难。
- MMSiMCa: 具有容量约束的 Sinkhorn 矩阵分解
研究使用矩阵分解算法结合最优传输步骤建模用户 - 项目相关性和从观测数据中学习项目嵌入的算法 SiMCa,这个算法不仅考虑了项目和用户之间的嵌入关系,也将地理距离和物品能力约束考虑在内,最后基于合理分配得到项目在潜在空间中的嵌入,并且在医院 - WSDM关于采样协同过滤数据集的研究
研究数据集采样策略对推荐算法排名性能的实际影响,设计了一种数据特定的采样策略 SVP-CF,开发了能够建议特定数据集最适宜采样方案的 oracle 工具 Data-Genie,实验结果表明使用 Data-Genie,相对于同级别的采样策略, - MM强化学习推荐系统中的用户篡改
本文提供了一种新的形式化方法和实证演示,来探讨强化学习(RL)推荐算法中的安全性问题,其中 RL 系统可能通过其推荐来操作用户的意见以增加其长期参与度。作者应用因果建模技术分析了文献中可扩展的 RL 推荐方法,发现这些方法允许进行用户操纵。 - 关于 Top-K 推荐评估的抽样方法
研究了采样与全局命中率的关系,提出通过对齐样本命中率和全局命中率进行对应函数 $f$ 的映射,可以准确近似全局命中率的采样命中率,从而在推荐算法中得到一致正确的预测。
- YouTube 推广阴谋论视频的纵向分析
使用分类器与仿真 YouTube 观看下一个视频算法的方法开发了一个方法,用于确定视频是否伪造,以验证 YouTube 的推荐算法是否将阴谋论排除在最恶劣的范畴之外。我们还获得了 YouTube 关于阴谋论主题的趋势和所谓的筛选气泡效果。
- 带有辅助信息的推荐研究综述及研究方向
本文综述了基于用户或物品侧面信息的推荐系统研究,并从方法论和侧面信息表示两个角度,概括了基于记忆、潜在因子、表示学习和深度学习等不同方法的最新推荐算法。同时阐述了结构化数据和非结构化数据的侧面信息表示,并探讨了应用推荐系统面临的挑战和未来发 - MM协同推荐中的偏差差异:算法评估和比较
本篇研究探讨不同的推荐算法是如何权衡排序质量和偏见差异,特别是针对机器学习以及推荐系统中的公平性问题所做的实验。
- KDDIntentGC:一个可扩展的图卷积框架,融合异构信息用于推荐
本文提出了一种名为 IntentGC 的新型框架,利用图卷积网络来利用用户行为和物品信息之间的明确偏好和异构关系,同时学习模型中不同关系的重要性,将其应用于网络规模应用,设计了一个更快的图卷积模型 IntentNet。实验证明 Intent - KDD面向序列场景的元学习在线推荐模型
通过少次学习和元学习,将场景特定学习与模型无关的顺序元学习相结合,提出了一种名为 s^2meta 的综合端对端框架,可显著提高在线推荐的冷启动问题的状态艺术水平。