- 序列推荐的扩散增强
DiffuASR 是一种基于扩散模型的顺序推荐算法,通过数据增强解决了数据稀疏性和长尾用户问题,并且能够直接训练顺序推荐模型,提高推荐效果。
- MM利用自注意力机制来加强负向信号在序列音乐推荐中的作用
使用基于 transformer 的自注意力架构来学习顺序音乐推荐中的隐式会话级信息,同时提出一项对比学习任务来纳入负面反馈,以促进正面命中和惩罚负面命中,并通过实验证明这种方法相比忽略负面用户反馈的基准架构具有一致的性能提升。
- 改革顺序推荐:学习动态用户兴趣与内容丰富的语言建模
采用预训练语言模型的语义理解能力,提出了一种新的序列推荐策略 LANCER,以弥补先前序列建模方法对上下文信息的不足,从而在推荐系统中生成更加人性化的个性化推荐。经过在多个基准数据集上的实验证明,我们的方法有效,具有良好的结果,并对我们的模 - 面向差分隐私的顺序推荐:一种噪声图神经网络方法
本文提出了一种新颖的差分隐私序列推荐框架 (DIPSGNN),通过噪声图神经网络方法实现差分隐私保护,解决了现有差分隐私推荐系统在顺序推荐中的局限性,能够保护依赖性互动并同时捕捉用户偏好,在隐私和准确性之间取得更好的平衡。
- MMMISSRec:用于推荐的预训练和迁移多模态兴趣感知序列表示
该论文提出了一种基于多模态信息的多模态预训练和迁移学习框架(MISSRec),用于顺序推荐,以解决现有基于 ID 特征的推荐方法在稀疏 ID 和冷启动问题方面的性能不佳的问题。通过在用户和候选项两方面分别设计 Transformer-bas - 知识提示调整模型用于顺序推荐
我们提出了一种集成领域知识与通用知识的推荐系统,通过引入外部知识库构建关系模板和知识树,并利用知识提示和知识树掩码来解决语义差距和噪声问题,实验证明我们的方法在多个评估指标上优于现有方法。
- AutoSeqRec:用于高效顺序推荐的自编码器
AutoSeqRec 是一种用于顺序推荐任务的增量推荐模型。它基于自编码器,由编码器和三个解码器组成。通过重建用户 - 物品交互矩阵和物品转换矩阵的行列,捕捉用户的长期偏好和短期兴趣,最终实现了准确性、鲁棒性和高效性的提升。
- 基于 Fisher 加权的对比学习模型在顺序推荐中的合并
本研究应用 Fisher-Merging 方法解决推荐系统中动态偏好的问题,提高了系统整体性能,为序列学习和推荐系统的发展提供了潜力。
- 通过图正则化随机 Transformer 进行顺序主购物意图检测:G-STO
本文提出了一种基于图形规范化随机变压器方法的主购物意图检测模型,通过考虑意图作为产品集合和用户偏好作为意图组合,将它们都建模为潜在表示空间中的随机高斯嵌入,并设计了一个全局意图关系图作为先验知识进行规范化;并将新规范化的随机嵌入输入基于变压 - MM通过奇异谱平滑处理解决序列推荐中的排名退化问题
本文研究了顺序推荐中的排名降级问题,并提出了基于奇异值曲线下面积度量和奇异值平滑正则化方法的顺序推荐算法 SPMRec 来解决此问题,该方法在四个基准数据集上的实验结果表明其优于其他推荐算法,尤其在短序列中表现出更好的推荐效果,并可提高推荐 - 序列推荐中 MLP 的复仇
本文介绍了一种基于 MLP 的序列推荐架构 TriMLP,采用了新颖的 Triangular Mixer 来使得模型能够有序交互,同时也采用了双分支结构以分别捕获长期和短期预测上的信息。该模型在多个数据集上超过了多个现有 baseline, - SIGIR当搜索遇见推荐:为推荐学习解耦搜索表示
本文提出了一个基于搜索的框架,即 SESRec,用于为顺序推荐提供支持。在该框架中,用户 S&R 行为的相似和不同表示的区分是通过对 S&R 行为序列的对比学习任务进行监督来实现的,该任务旨在从三个方面从注意力机制中提取用户兴趣。在工业和公 - SIGIR序列推荐的图形掩蔽自编码器
提出了一种简单而有效的图蒙版自编码器,通过自监督学习来自适应动态提取全局项转换信息,在顺序推荐中进行信息增强。
- 条件去噪漫扩散在顺序推荐中的应用
本研究提出了一种 条件去噪扩散模型 以应对生成敌对网络和变分自编码器在顺序推荐任务中的挑战,通过将过程分成易于处理的步骤来简化优化和推荐任务,同时采用新的优化模式,模型能够生成高质量的序列 / 项目表示并防止折叠
- 基于概率逻辑推理的序列推荐
本文介绍了一种将深度神经网络模型与逻辑推理相结合的框架,称为具有概率逻辑推理的序列推荐,该框架通过在 DNN 和概率逻辑网络中分离特征嵌入和逻辑嵌入来从相似性匹配和逻辑推理中获益,并使用概率方法嵌入用户和项目以更好地捕获用户品味的不确定性和 - SIGIR关注力混合模型的时间感知序列推荐
本文介绍了一种名为 MOJITO 的改进型 Transformer 序列推荐系统,它使用基于注意力机制的时间上下文和物品嵌入表示的高斯混合来进行序列建模。实验证明,该方法在多个现实世界数据集上优于现有的 Transformer 序列推荐方法 - 深度稳定多兴趣学习用于序列推荐中的分布外情况
该研究提出了一种名为 DESMIL 的新型多兴趣网络,通过使用注意模块提取多个兴趣,并基于 Hilbert-Schmidt 独立性标准(HSIC)估计加权相关性损失,从而最小化提取的兴趣之间的相关性,解决了现有多兴趣推荐模型没有考虑兴趣分布 - GUESR: 全球无监督的数据增强技术,采用桶聚类采样用于序列推荐
提出了一种基于图对比学习的代表性项目嵌入学习方法,名为 GUESR,旨在缓解现有合作过滤方法面临的数据稀疏和数据噪音问题,并通过从全局角度增强项目表示来改善预测性能。
- 序列推荐中的互惠瓦石均方差最小化
本文提出了一种基于互信息的无监督学习框架,利用 Wasserstein 距离来衡量自然语言推荐任务中的互信息,并提出了可应用于小批量数据的 Wasserstein 差量度量方法和基于反向对比损失的训练方式,证明该方法能够减少不稳定的 KL - KDD双向 Transformer 用于顺序推荐中解决 Cloze 任务偏差问题
本研究提出了一种新颖的倾向性评分机制,旨在纠正序列推荐中的暴露偏差,并实证了该方法对暴露偏差的鲁棒性。