- 超级推荐:增强环境位置表示的推荐模型
本研究提出了一种新的位置增强的用户 / 物品表示训练模型 SUPER-Rec,通过使用相对位置评分编码来捕获用户评分矩阵中的评分位置并将其与不受矩阵大小影响的嵌入固定维度一起存储,从而为推荐任务提供更好的表现。
- 利用小规模标注数据进行排序学习
研究目的为了实现大学学术搜索平台,探讨搜索、排名和推荐技术,但由于缺乏大量基本事实数据,传统的排名技术和评估措施难以实现。该项目有助于提高用户的学术搜索体验,包括研究人员、出版物和研究领域信息,并对大学教师和学生的研究经验都有益。
- 图神经推荐的空间自回归编码
本文提出了一种名为 SAC 的新型框架,它采用了一种新的空间自回归范式来充分利用邻居的接近性和高阶信息,同时还提出了邻居信息瓶颈来学习目标节点到邻居的预测任务的最小充分表示,并消除邻居的冗余,实验结果表明,在公共推荐数据集和某真实情境下的大 - SIGIR基于多层交叉视图对比学习的知识感知推荐系统
本文提出了一种新的多层交叉视角对比学习机制 MCCLK,包含三个图视角:全局结构视角、本地合作和语义视角,在语义视角中,还提出了一个 k 最近邻(kNN)项 - 项语义图构建模块,以捕捉通常被忽略的重要项 - 项语义关系,在三个基准数据集上 - 基于 VAE 的推荐系统的正负评论
本文提出 M&Ms-VAE+,是针对现有 M&Ms-VAE 模型中用户无法「正面批判」的问题的扩展,它允许用户进行正面和负面批判,并设计了一种新的自监督式批判模块。实验结果显示,M&Ms-VAE + 在推荐和解释性能方面与 M&Ms-VAE - BARCOR: 面向会话推荐系统的统一框架
本文提出了一种基于 BART 的统一框架,针对面向对话推荐的两个任务(推荐和响应生成)设计了单一模型,另外还构建了一个电影领域的轻量级知识图谱,在自动化和人类评估方面都取得了最先进的表现。
- 推荐作为语言处理:一种统一的预训练、个性化提示和预测范式 (P5)
本文提出了一种灵活且统一的文本到文本范式(P5),将各种推荐任务统一到一个共享框架中,使用自然语言序列捕捉深层次的语义,通过自适应的个性化提示进行预测,并在多个推荐基准上证明了其有效性。
- WWW拆分推荐中的长期与短期兴趣
通过对长期和短期兴趣进行对比学习,提出了一种自我监督的框架来解开两个方面之间的纠缠,为推荐系统提供更准确、更有解释性的建议。在电商和短视频数据集上的实验结果表明,该方法优于目前所有的最新模型,并且能够成功地实现长期和短期兴趣的更强的解脱。
- 从心理好奇到人工好奇:人工智能任务中基于好奇心的学习
本文综述了心理好奇心对于人类智能的重要作用,阐述了人工好奇心与人类认知发展的联系及其应用场景,并对强化学习、推荐系统和分类方法等领域中已有的好奇心驱动学习方法进行综述,提出了深入研究的方向和未来的改进工作。
- 语言模型驱动的对话式推荐系统中的意外偏差
本研究调查了语言模型 LMRec 在餐厅推荐中存在的偏见问题,发现与黑人社区相关的名称的习惯性提及显著降低了推荐餐厅的价格分布,而男性相关的普遍名称的提及则导致增加了推荐的酒类服务场所,这些结果表明了语言模型驱动的推荐系统 LMRec 在其 - 自监督元图 Informax 网络的社交推荐
该研究提出了一种利用社交网络信息进行协同过滤推荐的方法,通过设计元路径引导的异构图神经网络和自监督图协同过滤来建立用户偏好表示,以探索全局协作关系和基于图拓扑的同构变换性质,实现对用户行为四面八方的评估。实验结果表明,在多种实际数据集上,该 - 全双曲图卷积神经网络用于推荐
该论文提出了一种基于全空间双曲几何的图卷积网络模型,以更准确地捕捉用户 - 项目的交互关系,并在公共基准数据集上实验表明其性能优于欧几里得空间和双曲空间的对应方法,且达到可比较的性能只需要更低的嵌入维度。
- 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 - SIGIR产品比较扩展至多家店铺的初步见解
本研究旨在设计一个比较流水线,以满足电子商务业务的操作约束,并通过多家商店的基准测试和用户研究来展示其性能与可行性,为电子商务推荐领域提供新的解决方案。
- WWW使用码字直方图的线性时间自注意力机制实现高效推荐
提出了一种线性时间的自注意力模型(LISA),它通过计算可微的类别分布直方图来实现全上下文关注,同时避免了计算和存储复杂度高的问题,并且在顺序推荐任务中取得较好的性能。
- 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基于神经图匹配的协同过滤
该论文提出了一种基于神经图匹配的协同过滤模型 (GMCF),用于通过建模和聚合属性之间的交互,在图匹配结构中有效捕获两种类型的属性交互(内部交互和交叉交互),同时明确进行特征学习和偏好匹配的推荐过程,实验证明该模型优于现有的最先进模型,并能 - ICML随机赌博机中曝光的公平性
为了解决个性化推荐中传统策略可能导致的不公平现象,提出了一种新的基于功绩公平的策略,并给出了两种算法,分别适用于多臂老虎机和线性老虎机,证明了算法的功绩公平和奖励公平具有亚线性,同时提供了实证分析,证明了该算法能够有效地公平分配推荐曝光。
- 基于遗传元结构的异质信息网络推荐搜索
通过遗传元结构搜索以及注意力机制多视角图卷积网络模块,本文实现了在异质信息网络中元结构的自动优化以提高推荐效果,相较于手动设计的简化版,GEMS 在评估指标上表现出超过 6% 的优势。
- WWW面向推荐的兴趣感知消息传递 GCN
该研究论文提出了一种新颖的基于 Interest-aware Message-Passing GCN 的推荐模型,通过在用户兴趣相似的子图中进行高阶图卷积操作,避免了过度平滑问题,其在三个基准数据集上的实验结果表明,该模型可以通过叠加更多的