- UniRec:顺序推荐中统一性和频度的双重提升
UniRec 是一个新颖的双向增强顺序推荐方法,利用序列一致性和物品频率来提高性能,特别是在表示不均匀序列和低频物品方面;与其他先进模型相比,在四个数据集上表现显著优越。
- DELRec: 提炼序列模式以增强基于 LLM 的推荐
提出了 DELRec 框架,通过两种策略提取 SR 模型展示的行为模式,从而帮助 LLMs 更有效地执行 SR 任务。在三个真实数据集上的广泛实验结果验证了 DELRec 框架的有效性。
- EchoMamba4Rec: 基于频谱滤波的高级顺序推荐中双向状态空间模型的协调
EchoMamba4Rec 是一种利用状态空间模型 (SSMs) 和双向处理来提升顺序推荐效果的模型,通过频域滤波器和门线性单元 (GLU) 等技术来捕捉用户交互数据中的复杂模式和依赖关系,实现更准确和个性化的推荐。
- SIGIR自我学习图神经网络用于顺序推荐
我们提出了一种名为自我监督图神经网络(SelfGNN)的新型框架,用于顺序推荐。该框架通过时间间隔对短期图进行编码,并利用图神经网络(GNN)学习短期协作关系。它通过间隔融合和动态行为建模,在多个粒度级别捕捉长期用户和物品表示。我们的个性化 - SLMRec: 增强小型语言模型在顺序推荐任务中的能力
本文通过在大规模行业数据集上进行广泛实验,发现大多数 LLMs 的中间层是多余的,并提出了一种名为 SLMRec 的基于小型语言模型的推荐模型,仅使用 LLM-based 推荐模型中 13% 的参数,同时在训练和推断时间成本上实现了高达 6 - ACLRecGPT:文本推荐的生成式预训练
我们提出了第一个经过领域适应和完全训练的大型语言模型 RecGPT-7B 及其指导模式 RecGPT-7B-Instruct,用于基于文本的推荐。实验结果表明,我们的模型 RecGPT-7B-Instruct 在评分预测和顺序推荐任务上优于 - 位置编码与上下文并不相同:顺序推荐中的位置编码研究
通过分析位置编码,我们发现它们提供了不可从时间信息推断的项之间的相对信息,并且不同的编码方式会影响指标和稳定性。我们通过研究发现正确的位置编码可以达到最新的最先进结果,但更重要的是,某些编码方式能够稳定训练。
- 基于多意图解耦的序列推荐对比学习方法
我们提出了一种基于多意图解缠的对比学习序列推荐方法(MIDCL),通过识别动态多样的意图,针对用户行为进行推荐,实现了超越大多数现有基准方法的性能,并为基于意图的预测和推荐研究带来了更可解释的案例。
- SIGIRFineRec:探索细粒度顺序推荐
使用 attribute-opinion 对 reviews 进行细粒度处理的新框架 FineRec,在顺序推荐中表现出色,通过大型语言模型提取 attribute-opinion 对,并创建 attribute-specific user - ACL整体优于部分:在序列推荐的上下文学习中使用聚合演示
使用大型语言模型(LLMs)作为强序贯推荐器,通过探索上下文学习方法进行序贯推荐,研究了指导格式、任务一致性、演示选择和演示数量的影响。我们提出了一种名为 LLMSRec-Syn 的新方法,将多个演示用户合并成一个聚合演示,实验证明 LLM - MM用强化学习将 GPTRec 与超出精确性目标对齐
Transformer 模型在推荐系统的顺序推荐任务中应用广泛,BERT4Rec、SASRec 等模型通过使用 Top-K 策略,在准确度等度量指标上取得了最先进的性能。然而,GPTRec 作为替代 Top-K 模型的一个新方法,可以考虑复 - 个性化行为感知 Transformer 模型用于多行为序列推荐
本文研究了 Multi-Behavior Sequential Recommendation 问题,提出了一种名为 Personalized Behavior-Aware Transformer (PBAT) 的框架,该框架通过建模个性化模 - BMLP:面向异构序列推荐的行为感知多层感知机
基于多层感知器 (MLP) 的异构顺序推荐方法 (BMLP) 通过建模多种行为类型和转换关系的异构兴趣知觉模块 (HIP) 以及自适应融合辅助行为子序列以捕捉用户购买意图的购买意图知觉模块 (PIP),相比主要的序列模型,在准确性方面具有竞 - 基于端到端学习的推荐意图聚类
通过 ELCRec 方法,我们将表示学习与聚类优化相结合,实现了推荐中端到端可学习的聚类框架,提高了推荐性能并克服了现有方法中的挑战。
- DRDT:基于 LLM 的动态反思与发散思维的顺序推荐
利用动态反思和发散性思维的检索器 - 排序器框架,我们提出了一种新的推理策略,以应对顺序推荐任务中的挑战,通过收集协同行为示例、抽象高级用户偏好和动态反思等方法,增强序列推荐系统的性能。
- AAAI一种针对序列推荐的专注归纳偏置,超越自注意力
提出了一种名为 BSARec 的新方法,利用傅里叶变换注入归纳偏差并整合低频和高频信息以减轻过平滑问题,通过在 6 个基准数据集上进行广泛实验,结果表明该模型在推荐性能方面优于其他 7 种基线方法。
- E4SRec:大规模语言模型在序列推荐中的优雅有效高效可扩展解决方案
这篇论文介绍了一种将大型语言模型与传统推荐系统相结合的解决方案,能够有效地实现顺序推荐,同时解决了大型语言模型在个性化推荐中的挑战。
- WSDM跨领域序列推荐的混合注意力网络
我们提出了一种混合注意力网络(MAN),其中包括局部和全局注意力模块,用于提取领域特定和跨领域信息。实验结果表明,我们的模型在两个真实数据集上具有优越性,同时进一步研究也证明了我们提出的方法和组件分别是模型无关和有效的。
- 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。
- AdaRec:适应性顺序推荐以增强用户的长期参与
AdaRec 是一种适应性的顺序推荐模型,利用基于距离的表示损失从用户的交互轨迹中提取潜在信息,帮助策略识别推荐系统的细微变化,并通过乐观推测的方式进行探索,同时使用零阶动作优化以在复杂环境中保持稳定的推荐质量。在模拟器和实际应用中,Ada