- 用排列替代评分:一种上下文集合排列学习排序的框架
STARank 是一种新的学习排名框架,可以直接生成候选项的排列而无需单独评分和排序,旨在解决学习排名任务中的问题。与现有的基于概率排序原则的解决方案相比,STARank 在性能上表现更加优越。
- 基于图注意力机制及文本描述的 Top-N 推荐模型
该研究使用 Graph Convolutional Network 模型结合文本内容及用户偏好来进行推荐,取得了较好的效果。
- DisenHAN: 面向推荐的解耦异质图注意力网络
本研究提出了一种新的分离异构图注意力网络 DisenHAN,可以从不同方面学习异构信息网络中的用户 / 项目表示,并使用高阶元关系分解元路径,聚合每个元关系的相应特征,以实现更好的推荐效果。
- 本地协作自编码器
本文通过引入新的局部模型发现方法和多种不同的局部模型,提出了一个广义的局部因子框架 “LOCA”,结合 autoencoders 模型捕捉子社群内的潜在非线性模式,实现了高质量的 Top-N 推荐, 在几个公共基准上超过了现有技术。
- 基于协同稀疏化的 Top-N 推荐协同学习
本文提出了一种新的知识蒸馏模型 —— 协作蒸馏模型 (CD),该模型采用概率排序感知采样、转换误差函数以处理反馈不足以及提供两个训练方法 (即教师指导和学生指导),在推荐领域中取得了 2.7-33.2% 和 2.7-29.1% 的命中率 ( - 异构网络中多维信息深度协同过滤
本文提出了一种基于神经网络和异质信息网络的多方面协作过滤模型,用于解决推荐系统中的信息过载问题,通过对用户和物品进行各个方面的相似度矩阵建模和深度神经网络训练,融合各个方面的潜在因素提高推荐性能。
- WSDM内容感知推荐的门控注意力自编码器
通过使用附带注意力模块的神经门控自编码器模型,我们成功地解决了个性化推荐系统中的难题,例如数据稀疏性和异构性数据,实现了更好的推荐和可解释性结果。
- 具有附加信息的 Top-N 推荐的集体变分自编码器
该论文提出了一种利用变分自编码器从辅助信息中学习特征表示和同时恢复用户评分和辅助信息的方法,相较于现有的基于辅助信息的推荐方法,其具有更高的效果
- 基于新的排名逼近的 Top-N 推荐
本文提出了一种新颖的排序逼近方法来提高 Top-N 推荐系统的性能,其中逼近误差是可控的,实验结果表明该方法显著提高了 Top-N 推荐的准确性。