- 通过动态时期定义的长期和短期偏好的异构图建模的社交推荐
通过在异构图中结合社交网络数据的动态属性,本研究提出了一种新的方法来提供社交推荐,旨在捕捉用户的长期和短期偏好并聚合分配的边权重,以实现对时间变化的用户偏好的建模,实验结果证明了该模型的有效性。
- 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 - 用户指导的可行性行动
机器学习在诸如医疗保健、银行和刑事司法等关键领域的普及促使了确保 ML 模型的信任和透明性的工具的创建,其中一个工具是用于受负面影响的用户的可操作补救措施(AR),AR 描述了对用户的可行性特征的成本效益改变的建议,以帮助他们获得有利的结果 - SuperCLUE:一个全面的中文大语言模型基准
通过提出综合性的中文基准 SuperCLUE,我们展示了现有评估模型性能的精确性不足以反映用户偏好的情况,并且 GPT-4 可以可靠地自动评估用户对中文开放性问题的偏好。
- SIGIR挖掘稳定偏好:多媒体推荐的自适应模态解耦
该研究提出了一种 MODEST(MOdality DEcorrelating STable)学习框架,采用基于核的独立性检验测量方式,以学习用户对多媒体内容中不同模态的偏好,提高多媒体推荐性能。
- 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。
- 大型语言模型是否可以通过对抗方式改变用户偏好?
本研究从注意力探测、红队作战和白盒分析等多个角度,探讨预训练大型语言模型在用户喜好中的敌对行为,并针对 ChatGPT 和 GODEL 等对话模型提供红队样本,同时探究后者在非对抗性和对抗性环境下的注意力机制。
- 基于属性的推荐系统事后解释:RecXplainer
本文提出了一种新方法 RecXplainer,基于用户对推荐项目属性的偏好生成了更细粒度的推荐解释,并使用真实数据集进行了实验进行了评估,结果表明 RecXplainer 能够更好地捕捉用户的喜好,并且相比六种基线方法,RecXplaine - KDD将用户偏好与外部奖励相结合,实现面向司机和资源感知的电动汽车充电推荐
本研究提出了基于正则化 Actor-Critic 算法的电动汽车充电推荐方法,该方法可为私人电动汽车驾驶者提供个性化、资源感知的充电推荐服务,并在实际数据集上表现出对比方法所不具备的优越性能,可为缓解电动汽车驾驶者的续航焦虑提供一种成本效益 - PePe: 利用用户生成的后编辑进行个性化后编辑模型
本文介绍一种个性化自动后编辑框架来解决机器翻译中反映个人喜好的挑战,其使用鉴别器模块和用户特定参数的模型,在四种不同指标(BLEU、TER、YiSi-1 和人类评估)上优于基线模型。
- 每个人的偏好变化不同:加权多兴趣检索模型
本文提出一种名为多兴趣偏好模型的方法,可以更有效地利用用户的顺序交互产生多个用户嵌入并自动学习一组权重来表示用户对每个嵌入的偏好,从而可以按比例从每个兴趣中检索候选项。
- IFTT-PIN: 在 PIN 输入任务中展示自校准范例
介绍了 IFTT-PIN,这是一种自校准的 PIN 码输入方法,可以同时推断出用户的 PIN 码和偏好按钮与颜色的映射关系,消除了预先分配颜色的需求。
- 机器能否生成个性化音乐?一种基于用户喜好的混合方法进行音乐转移
User preference music transfer (UPMT) is a new and understudied problem in music style transfer that can be applied to d - C2-CRS:面向对话推荐系统的粗到细对比学习
该研究提出一种粗粒度到细粒度对比学习框架以提升自然语言对话式推荐系统中外部数据的语义融合,旨在解决从有限的对话内容中精准推断用户偏好的问题,并在公共数据集上进行了广泛的实验来证明效果。
- 个性化基于 Session 的推荐的异构全局图神经网络
本文介绍了一种基于 Heterogeneous Global Graph Neural Networks 的物品跃迁模型,该模型利用用户历史和当前会话的信息推断用户偏好,从而提供个性化的推荐服务。
- SIGIR用户偏好感知的假新闻检测
本论文探讨了利用用户偏好来检测假新闻的问题,提出了一种同时捕获用户喜好信号的新框架 UPFD,应用图建模来检测假新闻并在真实数据集上取得了实验效果。
- SIGIR基于音乐收听和口味为冷启动用户推荐播客
研究使用用户的音乐消费行为来预测 Spotify 用户对超过 200,000 个播客的偏好,以解决推荐系统中的冷启动问题,并发现使用这种方法可以提高用户的媒体消费量。
- 长尾式基于会话的推荐
本文提出了一种新的网络架构 TailNet,将项目分类为短头和长尾项目并根据点击频率确定用户偏好,以软调整和个性化推荐,以提高长尾推荐的性能,同时保持与其他方法的竞争精度性能相当,通过两个真实世界数据集的广泛实验验证了我们方法的优越性。
- MAMO: 冷启动推荐的记忆增强元优化
该论文介绍了一种基于元学习和元优化的推荐系统解决方案,通过两个记忆矩阵来引导模型进行个性化参数初始化,并测试了该方法在两个常用推荐数据集上的可行性。
- SIGIR学习搜索查询的颜色表示
本文探讨了如何在图像搜索引擎中应用颜色作为匹配过程的一个特征,提出了一种基于循环神经网络及历史点击数据学习查询 - 图像颜色分布表示并结合交叉模式下的匹配模型,并在用户反馈中验证其有效性。