- 一个带有推荐器的协作式数据分析系统适用于多样化的用户
该论文介绍了 SLEGO(软件乐高)系统,这是一个协作式分析平台,通过云平台和可重复使用的模块化微服务,弥合了经验丰富的开发人员和新手用户之间的差距。这些微服务使开发人员能够共享他们的分析工具和工作流程,而简单的图形用户界面(GUI)使新手 - 个性化嵌入区域调查的冷启动推荐
本文介绍了一种两阶段个性化引出方案来解决推荐系统在冷启动时的问题,通过要求用户对一小部分热门物品进行评分,并按顺序要求用户评分适应性物品来完善用户偏好和表示,最终根据用户的偏好区域生成推荐结果,并证明了该方法在多个数据集上的有效性。
- GotFunding: 基于科学文章的拨款推荐系统
“GotFunding” 是一个基于过去的资助记录的推荐系统,通过将问题视为排序学习,它分析了使预测有效的特征,并显示出排名考虑到了出版物和资助之间的年份差异、出版物提供的信息量以及出版物与资助的相关性。
- 歌词相似性感知的计算分析
比较分析了计算模型和人类感知中的歌词相似性,发现基于预训练 BERT 模型嵌入、歌曲音频和音素特征的计算模型能够准确表示感知中的歌词相似性,这一发现为相似性推荐系统的发展提供了伪标签和客观评估指标。
- 通过图神经网络个性化推荐 Spotify 音频书
通过基于异构图神经网络的可扩展推荐系统 2T-HGNN,我们利用 Spotify 的用户偏好,解决了将有声读物推荐给用户所面临的挑战,提高了个性化推荐的质量,并且产生了积极的影响。
- 走向 MLOps:面向机器学习系统的 DevOps 工具推荐系统
运用 DevOps 实践于机器学习系统,被称为 MLOps,其目的是建立不同开源工具之间的连接,构建一个能自动执行步骤来构建数据集、训练机器学习模型并将模型部署到生产环境的流水线,并存储不同版本的模型和数据集。本文提出了一个基于上下文信息( - 推荐系统中的原型对比学习:通过对齐和一致性实现
通过在潜在空间中提出原型 (簇中心) 作为多样性图形的不同扩充的一致性基准,我们介绍了一种名为 ProtoAU 的推荐方法,它通过排序和保持用户和项目的原型的一致性以及统一性来解决了图对比学习中的采样偏差问题。
- 基于大规模语言模型的不确定性感知可解释推荐
为了提高用户满意度和建立信任,推荐系统内提供解释尤为重要,特别是对为用户定制的推荐物品进行解释。在这个研究领域中,主要方法是生成基于文本的解释,主要侧重于应用大型语言模型(LLMs)。然而,由于时间限制和计算资源限制,对于可解释性推荐来说, - 通过聚类进行偏好学习的分层在线专家框架
利用低维潜在空间加速用户偏好学习的层次聚类框架可提供高效的出行推荐算法,特别适用于具有层次结构的环境中降低遗憾度。
- 学习推断未观察到的行为:估计用户对某个站点的偏好高于其他站点
本研究提出了一种估计用户对焦点网站的个人偏好的方法,利用用户在网站上的互动数据计算其对焦点网站的在线参与份额,并且展示了通过焦点网站的数据进行模型评估的框架。
- 多标准推荐系统促进在线杂货业务
通过使用词袋和基于神经网络的文档组合方法(Doc2Vec),本研究提出了产品、包装和健康三个标准的在线食品杂货推荐系统,通过使用这两种文档表示方法,在产品特性(成分、包装、营养表,过敏原等)等方面提供最佳的推荐,调查结果显示基于神经网络的 - 利用大型语言模型对用户浏览流程进行建模进行文章推荐
该研究提出了一种名为 “User Viewing Flow Modeling (SINGLE)” 的文章推荐方法,该方法通过建模用户不变的偏好和来自用户点击文章的即时兴趣来进行推荐。该方法使用大型语言模型(Large Language Mo - 融入大型语言模型的推荐系统中的多键值策略
基于多个键值数据,将推荐系统与大型语言模型相结合,通过培训一个常见的开源语言模型(Llama 7B),将推荐系统的领域知识注入预训练的语言模型,并设计了创新的洗牌和屏蔽策略来学习这些键值之间的关系,实验证明了这种方法的有效性。
- 选择过去实验中的代理指标
在大量随机实验中,通过生成决策指南,我们引入了一种新的统计框架来定义并构建适用于同质人群的最佳代理度量标准,该度量标准能够与长期度量密切跟踪,并在噪声较高的情况下进行优化问题的解决。通过运用这种方法,我们在一个工业推荐系统的大量随机实验中应 - 基于逻辑查询的神经符号推荐模型
我们提出了一种神经符号推荐模型,将用户历史交互转化为逻辑表达式,并将推荐预测转化为基于这个逻辑表达式的查询任务。通过神经网络的模块化逻辑操作计算逻辑表达式,并构建隐式逻辑编码器合理降低逻辑计算的复杂性,实验证明我们的方法在三个著名数据集上相 - 可解释的主动学习用于偏好调查
通过主动学习和基于用户的偏好调取方法,解决在推荐系统中缺乏用户存在或受限于其他用户数据访问的冷启动问题,从而提供个性化推荐。
- 深度针对任务的底层表示网络用于多任务推荐
基于神经网络的多任务学习在推荐系统中取得了显著的改进,本文针对多任务学习中的负迁移问题,提出了一种名为 DTRN 的深度任务特定底层表示网络,通过参数高效的超网络,显式地获得每个任务的特定底层表示,并通过类似 SENet 的网络对特征表示进 - 移动供应:推荐系统的最后一块拼图
为解决推荐系统中的分页机制问题,研究者提出了一种名为 Mobile Supply 的新模块,将推荐系统的流程扩展为 “retrival->pre-ranking->ranking->re-ranking->Mobile Supply->mo - 带图形增强信息的神经符号推荐
本文提出一种基于图神经网络和命题逻辑运算的神经符号推荐模型,结合了全局隐式推理能力和局部显式逻辑推理能力,可有效提高推荐系统的准确性。
- 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。