- 地理群体特定 O2O 推荐的自适应框架
在线到离线推荐与用户和服务的时空信息密切相关,因此需要更高程度的模型个性化。传统方法基于通过收集的集中数据进行训练的统一模型结构,不太可能捕捉到不同地理区域或时间段的所有用户模式。为了解决这个挑战,我们提出了一种称为 GeoGrouse 的 - 基于语言模型和概率推理的主动偏好推断
通过使用一种熵减算法,我们提出了一种推理时算法,帮助大型语言模型快速推理用户偏好,并通过提问来优化期望熵和期望模型变化,从而使其在任务表现上胜过基线模型,在使用较少用户交互的情况下提升了性能。
- 交互式机器学习系统中对多样用户进行服务初始化
该研究旨在研究与用户交互学习的机器学习系统,以提供不同用户群体的专门化服务,并预测用户偏好;通过采用针对性的方法,克服了未知用户偏好和次优本地解决方案的挑战。
- 面向科学推理的可控表格到文本生成
我们提供了一个生成符合用户偏好的流畅且逻辑一致的科学表格数据描述的新任务,并通过构建一个具有高亮单元格和相应专业知识库的数据集,为这个方向的研究提供了基准,并提出了一种优于竞争方法的新架构。结果显示,大型模型在生成与用户偏好一致的准确内容方 - 提高移动数据科学中的可解释性:方法结合
在移动数据科学领域中,本文综合了关键的可解释性技术,如 LIME、SHAP、saliency maps、attention mechanisms、direct trajectory visualization 和 PFI,来揭示轨迹数据模型 - 分离和学习潜在混淆因素以增强用户偏好建模
提出了一种名为 SLFR 的新框架,通过解开用户偏好和未测量混淆因素的联系,识别反事实反馈,以捕捉用户的真实偏好,并在五个真实世界数据集上进行了广泛的实验证明了该方法的优势。
- 潜空间中干扰变量的因果结构表示学习用于推荐
用户偏好、推荐系统、混淆因素、因果图和潜在空间是本研究的关键词,研究探讨了混淆因素对用户偏好的影响和如何在潜在空间中建模,通过因果图的方式分离混淆因素和用户偏好。最后,提出了基于变分自动编码器的模型,命名为潜在空间中混淆因素的因果结构表示学 - SAGE:智能家居代理与实际执行
介绍了 SAGE(智能家居功能带有基于自主执行的代理)框架,以最大化智能家居助手的灵活性,通过使用基于 LLM 的自主代理系统取代手动定义的推理逻辑。SAGE 通过协调一系列工具整合用户偏好、设备状态和外部因素(如天气和电视时间表),具有从 - 社会契约 AI:将 AI 助理与隐含的团体规范进行一致化
模拟框架中,研究通过反转模型来对齐 AI 助手与用户的偏好,并发现 AI 助手在经济最终决策游戏中能够准确对齐行为,但其学习的策略在未包含的情况下缺乏稳健性和普适性,并且发现语言使用与未知策略之间存在不一致时,学习策略的速度会减慢。
- T-COL: 生成变量机器学习系统一般用户偏好的反事实解释
机器学习领域中存在无法解释的问题,通过引入可行的建议并解释为什么产生特定结果的对抗性解释(CEs)被提出。我们提出了几种被用户研究验证的常规用户喜好,并将其映射到 CEs 的特性,同时引入了一种名为 T-COL 的新方法,该方法在生成适应常 - 内容提示:建模内容提供商动态以提升推荐系统中用户福利
用户推荐系统通过内容提示政策,识别用户偏好并优化推荐,提高生态系统的健康度和用户福利。
- 印象感知推荐系统
利用 impressions 的推荐系统的系统文献综述,主要关注推荐系统、数据集和评估方法三个方面,提供了对使用 impressions 的推荐系统进行分类、分析和评估的细节,并指出未来研究中需要关注的问题和方向。
- 基于用户偏好的算法优化
通过人们的偏好来优化算法参数配置,而无需直接模拟奖励,SortCMA 可以有效地利用用户输入得到参数集合,将其应用于没有确切评分标准的商用深度传感器和机器人社交导航中,成功实现了用户目标的优化,并进行了用户研究来评估社交导航结果。
- 协同过滤捕捉 AI 用户的偏好作为规范
个性化 AI 技术的定制对其良好运行至关重要,当前的方法需要太多用户参与,无法真正捕捉其偏好。我们认为需要一种新的视角来构建规范,利用整个用户系统中大量可用的偏好信息,启发于推荐系统,我们相信协同过滤可以提供一种适合的方法来识别用户的规范偏 - HypeRS: 基于超图的集成推荐系统
本文提出了一种崭新的集成推荐系统,将由不同模型生成的预测结果合并到统一的超图排名框架中,通过在个体推荐系统上分配不同的超边权重来区分实际连接和预测连接,实验结果表明,与单个模型和加权混合方法相比,集成超图排名方法能够生成更准确的推荐结果,并 - 一种可控的基于问答的去文本化框架
本文研究了基于 LLMs 的篇章去文脉化在用户面向场景下的局限性,主要集中在两个现实世界应用中,即问答和科学文献的引文预览。我们提出了一个针对篇章去脉冲化的问答框架,该框架允许更好地处理用户信息需求和偏好,我们的结果表明,在我们的框架下,最 - 通过对抗示例评估会话推荐系统的鲁棒性
本文介绍了一个对话推荐系统(CRSs)的鲁棒性评估方案,其中自动生成敌对样本以评估系统在不同输入数据面前的鲁棒性。通过执行这些敌对样本,我们可以比较不同 CRSs 满足用户偏好的能力,并表明测试的三个 CRSs 都不够稳健和可靠。
- 智能设备隐私偏好的规范预测
本研究提出了一种基于协同过滤的方法来预测用户隐私偏好,以此帮助智能设备更好地遵守用户的隐私政策,并通过测试智能助手用户的隐私偏好数据集来验证该方法的准确性。
- WSDM多样化推荐的分离表示
本文提出了一个通用的推荐多样性框架,能在不牺牲精度的前提下实现商品类别的多样性,需要细致理解用户对商品的品质或预选属性的偏好,使用户表示与商品类别无关,通过改进模型能够在商品类别内改进用户分类喜好的建模与商品排序,通过实验证明了该模型对精度 - AAAICOLA: 通过协作增强改进对话式推荐系统
通过协同增强的方法,利用交互式用户 - 项目图表和门控技术增进用户和项目的特征表示,在获取商品信息方面有更好的表现。