user representations | BriefGPT

关键词user representations

搜索结果 - 13

多意图对比学习的知识感知多行为推荐
多行为推荐通过基于用户的多样行为（如浏览、加入购物车和购买）提供更准确的选择来优化用户体验。本研究提出一种新颖模型：基于知识感知的多意图对比学习模型（KAMCL），利用知识图谱中的关系构建意图，从意图角度挖掘用户多行为之间的关联，并通过对比
PDF3 months ago
扩展用户建模：大规模在线用户表征用于元广告个性化
用户表示对个性化广告至关重要。为了解决训练吞吐量、服务延迟和内存的严格限制，我们提出了一个名为 Scaling User Modeling (SUM) 的框架，在 Meta 的广告排名系统中广泛部署，旨在实现数百种广告模型之间高效可扩展的在
PDF8 months ago
CPMR：基于上下文的增量顺序推荐与伪多任务学习
通过创建三种不同动态下的用户和项目表示（静态嵌入、历史时间状态和上下文时间状态），同时使用伪多任务学习范式，将增量单目标推荐堆叠成一个多目标任务以进行联合优化，提出了一种上下文感知的伪多任务推荐系统（CPMR），以准确建模历史和上下文场景中
PDF10 months ago
IDVT：面向社交推荐的兴趣感知去噪和视图引导调优
提出了一种创新的 IDVT 方法，该方法有效地去除社交连接中的噪音，并通过对用户表示进行对比学习，在全局视角中优化模型的鲁棒性。实证评估结果表明，IDVT 方法优于现有的社交推荐方法。
PDF10 months ago
测量再识别风险
本文提出了一个新的理论框架来测量用户表示中的再识别风险，并应用该框架来模拟 Chrome 的 Topics API，以便用于基于兴趣的广告。
PDFa year ago
通过用户兴趣对齐实现跨域推荐
该研究提出了一种名为 COAST 的新型跨领域推荐框架，通过感知实体之间的跨领域相似性和用户兴趣的对齐来提高双重领域的推荐性能，并使用用户表示和图卷积网络的消息传递机制来捕获用户和项目的高阶相似性，对跨领域推荐算法进行了广泛的实验，并证明
PDFa year ago
社交推荐的解耦对比学习
本研究提出了一种新颖的解缠式对比学习框架，名为 DcRec，该框架可以从物品和社交领域中学习解缠式用户表示，并在社交推荐中进行知识转移。实验证明，该模型在各种真实世界数据集上具有优越性。
PDF2 years ago
DisenHCN: 面向时空活动预测的解缩关系超图卷积网络
本文介绍了一种名为 DisenHCN 的超图神经网络模型，用于预测用户在特定位置和时间的活动，该模型通过聚合不同方面的特征，捕获了不同方面的高阶关系并解开了每个方面对最终预测的影响，从而弥补了现有解决方案的不足，并在四个真实数据集上优于最先
PDF2 years ago
SIGIRCauseRec: 序列推荐的反事实用户序列合成
通过模拟反事实数据分布，提出了一种称为 CauseRec 的框架，其可以学习准确和稳健的用户表示，从而避免用户交互记录中的噪声和稀疏性导致的不稳定系统。
PDF3 years ago
COLING言语是心灵的窗户：基于语言的用户表征在假新闻检测中的应用
探究了社交媒体上语言使用与传播虚假消息倾向之间的关系，提出利用用户在社交媒体上产生的语言生成用户特征来检测虚假消息；使用两个英语数据集扩展地分析了虚假消息传播者的语言，表明其主要特征在许多领域中都存在且相对一致。最后，通过社交网络中用户的连
PDF4 years ago
序列推荐的对比学习
提出了一种用于顺序推荐的对比学习多任务模型 CL4SRec，在传统的下一个项目预测任务的基础上，从原始用户行为序列中提取更有意义的用户模式，并进一步有效地编码用户表示，通过构建自我监督信号和数据增强等手段，来解决数据稀疏性和参数优化问题，并
PDF4 years ago
一个人，一个模型，一个世界：学习连续的用户表示而不遗忘
本论文中，我们提出了第一个可持续不断地学习用户表示的模型，并通过在深度用户表示模型中迭代删除旧任务的不太重要的权重的方式来解决灾难性遗忘问题。在两个现实世界的数据集上的九项任务上进行的广泛实验表明，Conure 大大超过了标准模型，并且在对
PDF4 years ago
面向新闻推荐的图增强表示学习
该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。
PDF4 years ago