Towards Large Scale Training Of Autoencoders For Collaborative Filtering
Anghami（安加米）
针对隐式反馈协同过滤问题，提出了一种基于小批量负采样的隐式反馈协同过滤潜因子自编码器模型的有效训练方法.我们将我们的工作与不同实验数据集上的最先进的基线模型进行比较，并表明这种方法可以导致基线模型性能的良好和快速近似。源代码可以在https://github.com/amoussawi/recoder上找到。
2018-10-23 cs.IR cs.LG stat.ML
Collaborative Ensemble Learning: Combining Collaborative and Content-Based Information Filtering via Hierarchical Bayes
Siemens Corporate Technology（西门子企业技术）；Microsoft Research Asia（微软亚洲研究院）
协同过滤（CF）和基于内容的过滤（CBF）在信息过滤应用中得到了广泛的应用。这两种方法都有各自的优点和缺点，这就是为什么研究人员开发了混合系统。本文提出了一种新的方法来统一CF和CBF的概率框架，命名为协同集成学习。它使用概率支持向量机对每个用户的配置文件进行建模在预测阶段，它结合了一个社会的用户配置文件，由他们各自的SVM模型表示，以预测一个活跃的用户偏好（CF思想）。组合方案嵌入在概率框架中并保留直观的解释。此外，协同集成学习不需要一个全局的训练阶段，因此可以逐步纳入新的数据。2我们报告的结果基于两个数据集。对于路透社-21578文本数据集，我们模拟用户评级的假设下，每个用户只感兴趣的一个类别。在第二个实验中，我们使用用户对一组642艺术图像的意见，这些图像是通过基于网络的调查收集的。对于这两个数据集，协作集成在推荐准确性方面取得了优异的性能。
2012-10-19 cs.IR cs.LG stat.ML
Regret Guarantees for Item-Item Collaborative Filtering
Massachusetts Institute of Technology（麻省理工学院）
有很多经验证据表明，项目-项目协同过滤在实践中工作得很好。为了理解这一点，我们提供了一个框架来设计和分析各种推荐算法。设置相当于在线二进制矩阵完成，其中每次随机用户请求推荐，算法选择一个条目以显示在用户的行中。我们的目标是尽量减少遗憾，或者等价地最大化在任何时候显示的+1条目的数量。我们分析了一个项目-项目协同过滤算法，可以从根本上实现更好的性能相比，用户-用户协同过滤。该算法实现了良好的“冷启动”性能（适当定义），快速作出良好的建议，新用户的信息很少。
2016-01-08 cs.IR cs.IT cs.LG
A Hybrid Variational Autoencoder for Collaborative Filtering
Columbia University（哥伦比亚大学）
在当今时代，几乎每个行业都有在线存在，用户在在线市场中进行交互，个性化推荐变得非常重要。传统上，协同过滤的问题已经解决了使用矩阵分解，这是线性的性质。我们通过提出一种混合的多模态方法，扩展了[11]关于使用变分自编码器（VAE）进行隐式反馈的协同过滤的工作。我们的方法将电影嵌入（从兄弟VAE网络中学习）与Movielens 20M数据集的用户评级相结合，并将其应用于电影推荐任务。我们实证展示了VAE网络是如何通过将电影嵌入。我们还可视化的电影和用户嵌入聚类从VAE获得的潜在表示。
2018-09-23 cs.IR cs.LG stat.ML
Advances in Collaborative Filtering and Ranking
City University of Hong Kong（香港城市大学）；University of California, Davis（加州大学戴维斯分校）
在这篇论文中，我们涵盖了协同过滤和排名的一些最新进展。在第一章中，我们简要介绍了协同过滤和排序的历史和现状;第二章首先讨论了基于图信息的逐点协同过滤问题，以及我们提出的新方法如何能够编码非常深的图信息，这对现有的四种图协同过滤算法有很大的帮助;第三章介绍了两两协作排序方法，以及如何将算法加速到接近线性的时间复杂度;第4章是关于新的列表方法的合作排名和如何列表方法是一个更好的选择损失的显式和隐式反馈点式和成对损失;第5章是关于我们为嵌入层提出的新的正则化技术随机共享嵌入（SSE），以及它如何在推荐和自然语言处理的6个不同任务中在理论上合理和经验上有效;第6章是我们如何在SSE的帮助下为最先进的顺序推荐模型引入个性化，这在防止我们的个性化模型过拟合到训练数据中起着重要的作用;第七章，我们总结了到目前为止所取得的成就，并预测了未来的发展方向;第八章是所有章节的附录。
2020-02-27 cs.IR cs.LG stat.ML
Completing partial recipes using item-based collaborative filtering to recommend ingredients
University of Edinburgh（爱丁堡大学）
公众对健康生活方式的兴趣增加，促使人们研究鼓励人们遵循健康饮食的算法。在只有隐式反馈的领域中，应用协同过滤来构建推荐系统也是一个快速发展的研究领域。在这份报告中，我们结合这两个趋势，开发了一个推荐系统，建议可以添加到部分食谱的成分。我们实现了基于项目的协同过滤算法，使用高维，稀疏数据集的食谱，它本质上只包含隐式反馈。我们探索了不同的相似性度量和降维对推荐质量的影响，发现我们最好的方法实现了大约40%的召回率。
2020-02-04 cs.IR cs.LG stat.ML
Implicit Feedback Deep Collaborative Filtering Product Recommendation System
University of Toronto（多伦多大学）
在本文中，几个协同过滤（CF）的方法与潜变量的方法进行了研究，使用用户项目的相互作用，以捕捉重要的隐藏变化的稀疏客户购买行为。潜在因素被用来概括客户的购买模式，并提供产品建议。具有神经协同过滤（NCF）的CF在一家大型零件供应公司提供的真实专有数据集上显示出最高的归一化贴现累积增益（NDCG）性能。使用贝叶斯优化（BO）测试不同的超参数在CF框架中的适用性。外部数据源，如点击数据和指标，如点击率（CTR）进行了审查，以潜在的扩展工作。本文中所展示的工作提供了公司可以用来提供产品推荐的技术，以增加收入，吸引新客户，并获得超过竞争对手的优势。
2020-12-11 cs.IR cs.LG stat.ML
Markov Random Fields for Collaborative Filtering
Netflix（网飞）
在本文中，我们通过高斯马尔可夫随机场（MRF）的项目之间的依赖关系，推荐给用户的协作过滤问题。我们建立在Besag的自正态参数化和伪似然的基础上，这不仅可以实现计算效率的学习，而且还将MRF和稀疏逆协方差估计与自动编码器和邻域模型（协作过滤中的两种成功方法）连接起来。我们提出了一种新的近似学习稀疏的MRF，其中的权衡精度和训练时间可以控制。与各种基线（包括深度非线性模型）相比，仅用一小部分训练时间，所提出的方法就在我们实验中使用的所有三个众所周知的数据集上实现了具有竞争力的排名准确性，特别是在具有最多项目的数据集上的准确性提高了20%。
2019-10-21 cs.IR cs.LG stat.ML
Collaborative filtering via sparse Markov random fields
Center for Pattern Recognition and Data Analytics（模式识别与数据分析中心）；Deakin University（迪肯大学）
推荐系统在提供个性化的信息和服务方面发挥着核心作用。本文重点介绍了协同过滤，一种方法，利用共享结构之间的头脑喜欢的用户和类似的项目。特别是，我们专注于一个正式的概率框架称为马尔可夫随机场（MRF）。我们解决了结构学习的开放问题，并引入了稀疏诱导算法来自动估计用户之间和项目之间的交互结构。项目-项目和用户-用户相关网络作为副产品获得。在电影推荐和日期匹配数据集上的大规模实验证明了该方法的有效性。
2016-02-09 cs.IR cs.LG stat.ML
Reducing offline evaluation bias of collaborative filtering algorithms
Viadeo；Université Paris 1 Panthéon - Sorbonne（巴黎第一大学先贤祠-索邦大学）
推荐系统已经被集成到大多数大型在线系统中，以根据用户简档过滤和排名信息。因此，它会影响用户与系统交互的方式，并因此影响使用历史数据计算的推荐算法的性能评估（通过离线评估）。本文提出了一种新的应用加权离线评估，以减少这种偏见的协同过滤算法。
2015-06-12 cs.IR cs.LG stat.ML
An FCA-based Boolean Matrix Factorisation for Collaborative Filtering
提出了一种基于布尔矩阵分解和形式概念分析的协同过滤方法。在一系列的实验中，真实数据（Movielens数据集），我们比较的方法与SVD和NMF为基础的算法的平均误差（MAE）。实验结果之一是，它是足够的，有一个二进制缩放的评级数据，以获得几乎相同的质量方面的MAE BMF比基于SVD的算法在非缩放数据的情况下。
2013-10-16 cs.DS cs.IR stat.ML
A Bayesian Approach toward Active Learning for Collaborative Filtering
Michigan State University（密歇根州立大学）；Carnegie Mellon University（卡内基梅隆大学）
协同过滤是利用一组用户的偏好模式来预测项目对活跃用户的效用的有用技术。一般来说，协同过滤的性能取决于活跃用户给出的评级示例的数量。活跃用户给出的评级示例的数量越多，预测的评级就越准确。主动学习提供了一种有效的方法来从活跃用户那里获得最具信息性的评级示例。协同过滤的主动学习以前的工作只考虑了预期的损失函数的基础上估计的模型，这可能是误导时，估计的模型是不准确的。本文进一步考虑了估计模型的后验分布，从而得到更鲁棒的主动学习算法。对电影评分数据集的实证研究表明，当活跃用户的评分数量被限制为很小时，仅基于估计模型的主动学习方法表现不佳，而使用模型分布的主动学习方法获得了更好的性能。
2012-07-11 cs.IR cs.LG stat.ML
Collaborative Filtering with Side Information: a Gaussian Process Perspective
University of Oxford（牛津大学）
我们通过高斯过程（GP）回归来解决带边信息的协同过滤（CF）问题。驱动的想法，使用内核来显式地模拟用户项目的相似性，我们制定的GP的方式，允许纳入低秩矩阵分解，到达我们的模型，塔克高斯过程（TGP）。因此，TGP概括了经典的贝叶斯矩阵分解模型，并超越了它们，给出了一种自然而优雅的方法，用于合并边信息，增强了CF问题的预测性能。此外，我们表明，这是一种新的回归模型，特别适合于网格结构的数据和问题的协变量的依赖是接近可分离的。
2017-06-08 cs.IR cs.LG stat.ML
Variational Autoencoders for Collaborative Filtering
Netflix（网飞）；MIT（麻省理工学院）；Google AI（谷歌人工智能）
我们扩展变分自编码器（VAE）的协同过滤隐式反馈。这种非线性的概率模型使我们能够超越线性因子模型的有限建模能力，仍然在很大程度上主导协同过滤的研究。我们引入了一个生成模型与多项式似然和使用贝叶斯推断的参数估计。尽管在语言建模和经济学中广泛使用，但在推荐系统文献中，多项式似然得到的关注较少。我们为学习目标引入了一个不同的正则化参数，这被证明是实现有竞争力的性能的关键。值得注意的是，有一种有效的方法来调整参数使用退火。由此产生的模型和学习算法具有信息理论的联系，最大熵歧视和信息瓶颈原则。从经验上讲，我们表明，所提出的方法显着优于几个国家的最先进的基线，包括两个最近提出的神经网络的方法，在几个现实世界的数据集。我们还提供了扩展的实验比较多项式似然与其他常用的似然函数的潜在因素协同过滤文献，并显示出良好的结果。最后，我们确定的优点和缺点，采用原则性的贝叶斯推断方法和特征设置，它提供了最显着的改进。
2018-02-16 cs.IR cs.LG stat.ML
Active Collaborative Filtering
University of Toronto（多伦多大学）
协同过滤（CF）允许汇集多个用户的偏好，以针对未见过的产品进行推荐。我们认为在本文中的问题，在线和互动CF：鉴于当前的收视率与用户，什么样的查询（新的收视率）将最能提高质量的建议？我们将此术语转换为信息的期望值（EVOI）;但是计算最优查询的在线计算成本是令人望而却步的。我们展示了如何离线原型设计和计算的界限EVOI可以用来显着减少所需的在线计算。我们开发的框架是一般的，但我们专注于推导和实证研究的多原因矢量量化模型的特定情况下。
2012-10-19 cs.IR cs.LG stat.ML
When Collaborative Filtering Meets Reinforcement Learning
The Hong Kong Polytechnic University（香港理工大学）
本文研究了一个多步交互式推荐问题，其中当前推荐的项目可能会影响未来推荐的质量。为了解决这个问题，我们开发了一种新颖而有效的方法，命名为CFRL，它无缝集成了协同过滤（CF）和强化学习（RL）的想法。更具体地说，我们首先将推荐者-用户交互式推荐问题建模为代理-环境RL任务，该任务在数学上由马尔可夫决策过程（MDP）描述。此外，为了实现整个用户社区的协作推荐，我们提出了一种新的CF为基础的MDP编码到一个共享的潜在向量空间的所有用户的状态。最后，我们提出了一种有效的Q-网络学习方法来学习基于CF的MDP的代理的最优策略。CFRL的能力是通过比较其性能对各种现有的方法在现实世界的数据集。
2019-04-02 cs.IR cs.LG stat.ML
On Consensus-Optimality Trade-offs in Collaborative Deep Learning
Iowa State University（爱荷华州立大学）
在分布式机器学习中，智能体从不同的私有数据集协作学习，共识和最优性之间存在根本的紧张关系。在本文中，我们基于分布式深度学习的最新算法进展，探索固定通信拓扑上的各种共识-最优性权衡。首先，我们提出了增量共识为基础的分布式SGD（i-CDSGD）算法，它涉及多个共识步骤（每个代理与其邻居的信息通信）在每个SGD迭代。其次，我们提出了广义共识为基础的分布式SGD（g-CDSGD）算法，使我们能够浏览完整的频谱从完全一致（所有代理同意），以完成分歧（每个代理收敛到个别模型参数）。我们分析建立强凸和非凸目标函数的算法的收敛性，我们还分析了强凸情况下的算法的动量变量。我们通过数值实验来支持我们的算法，并展示了对现有协作深度学习方法的显着改进。
2018-05-30 cs.CV cs.DC cs.LG
Review Regularized Neural Collaborative Filtering
University of Utah（犹他大学）
近年来，文本感知协同过滤方法被提出来解决推荐中的基本挑战，如数据稀疏性，冷启动问题，和长尾分布。然而，许多面向文本的方法严重依赖于每个用户和项目的文本信息的可用性，这在现实场景中显然不成立。此外，专门为文本处理设计的网络结构对于在线服务是非常低效的，并且难以集成到当前系统中。在本文中，我们提出了一个灵活的神经推荐框架，命名为审查正则化推荐，简称为R3。它由一个专注于预测输出的神经协同过滤部分和一个作为正则化器的文本处理部分组成。这种模块化设计在训练阶段将文本信息作为更丰富的数据源，同时对于在线服务高度友好，因为它在服务时间不需要即时文本处理。我们的初步结果表明，通过使用一个简单的文本处理方法，它可以实现更好的预测性能比国家的最先进的文本感知方法。
2020-08-20 cs.IR cs.LG stat.ML
Enhancing VAEs for Collaborative Filtering: Flexible Priors & Gating Mechanisms
Seoul National University（首尔大学）
基于神经网络的协同过滤模型最近开始受到关注。研究的一个分支是基于使用深度生成模型来模拟用户偏好，其中变分自动编码器被证明可以产生最先进的结果。然而，当前用于CF的变分自动编码器存在一些潜在的问题特性。第一个是VAE在学习用户偏好的潜在表示时引入的过于简单的先验知识。另一个是模型无法学习每个网络具有多个隐藏层的更深层次的表示。我们的目标是采用适当的技术来缓解变分自动编码器CF的上述问题，并进一步提高推荐性能。我们的工作是第一个应用灵活的先验协同过滤，并表明，简单的先验（在原始VAE）可能过于限制，以充分模拟用户的喜好和设置一个更灵活的先验提供了显着的收益。我们实验VampPrior，最初提出的图像生成，检查灵活的先验CF的效果。我们还表明，VampPriors加上门控机制优于SOTA结果，包括在2个流行的基准数据集（MovieLens和Netflix）上有意义的利润率的协同过滤的变分自动编码器。
2019-11-03 cs.IR cs.LG stat.ML
Stability of matrix factorization for collaborative filtering
National University of Singapore（新加坡国立大学）
研究矩阵分解算法在矩阵补全中对抗性噪声的稳定性，通过误差界、子空间分析和个体预测误差分析，为协同过滤系统设计提供指导。
2012-06-18 cs.LG cs.NA math.NA
One-class Collaborative Filtering with Random Graphs: Annotated Version
Microsoft Research（微软研究院）；Microsoft（微软）
单类协同过滤的祸根在于对缺失类的潜在信号进行解释和建模。本文提出了一种新的贝叶斯生成模型的隐式协同过滤。它构成了Xbox Live架构的核心组件，与以前的方法不同，它描绘了用户不喜欢某个项目的可能性，而不是简单地不考虑它。潜在信号被视为一个未观察到的随机图，将用户与他们可能遇到的项目联系起来。我们演示了如何通过随机梯度下降和平均场变分推断的组合，可以实现大规模的分布式学习随机图样本。细粒度的比较是针对现实世界数据的最新基线进行的。
2014-09-24 cs.LG stat.ML
Dynamic Collaborative Filtering with Compound Poisson Factorization
Princeton University（普林斯顿大学）
基于模型的协同过滤分析用户-项目交互，以推断代表用户偏好和项目特征的潜在因素，从而预测未来的交互。大多数协同过滤算法假设这些潜在因素是静态的，尽管已经表明用户偏好和项目感知会随着时间的推移而漂移。在本文中，我们提出了一个共轭和数值稳定的动态矩阵分解（DCPF）的基础上复合泊松矩阵分解模型的平滑漂移的潜在因素，使用伽马马尔可夫链。我们提出了一个数值稳定的伽玛链结构，然后提出了一个随机变分推理方法来估计我们的模型的参数。我们将我们的模型应用于时间戳评级数据集：Netflix，Yelp和Last.fm，其中DCPF实现了比最先进的静态和动态因子分解模型更高的预测准确性。
2016-11-01 cs.AI cs.LG stat.ML
Learning Representations of Hierarchical Slates in Collaborative Filtering
Netflix Inc.（网飞公司）
我们感兴趣的是建立协同过滤模型的推荐系统，用户与石板，而不是个别项目。这些石板在本质上可以是分层的。我们的方法的中心思想是学习这些石板的低维嵌入。我们提出了一种新的方法来学习这些嵌入，利用（未知的）统计的底层分布生成的分层数据。我们的表示学习算法可以被看作是一个简单的组成规则，可以递归地应用在一个自下而上的方式来表示任意复杂的层次结构的表示其组成部分。我们在两个真实世界的推荐系统数据集上展示了我们的想法，包括用于RecSys 2019挑战的数据集。对于该数据集，我们通过将嵌入作为我们的方法在他们的解决方案中生成的特征来改进获胜团队模型所实现的性能。
2020-09-25 cs.IR cs.LG stat.ML
Neural Collaborative Filtering vs. Matrix Factorization Revisited
Google Research（谷歌研究院）
基于嵌入的模型已经成为协同过滤的最新技术超过十年。传统上，点积或更高阶的等价物已被用于组合两个或更多个嵌入，例如，尤其是在矩阵分解中。近年来，有人建议用学习到的相似性来代替点积，例如使用多层感知器（MLP）。这种方法通常被称为神经协同过滤（NCF）。在这项工作中，我们重新审视了NCF论文中的实验，该论文推广了使用MLP学习的相似性。首先，我们表明，通过适当的超参数选择，一个简单的点积大大优于所提出的学习相似性。其次，虽然MLP在理论上可以近似任何函数，但我们证明了用MLP学习点积是不平凡的。最后，我们讨论了实际问题时，应用MLP的相似性和MLP是太昂贵的项目推荐在生产环境中使用，而点产品允许应用非常有效的检索算法。我们的结论是，MLP应该小心使用嵌入组合器，点积可能是一个更好的默认选择。
2020-06-01 cs.IR cs.LG stat.ML
A Neural Autoregressive Approach to Collaborative Filtering
Hulu LLC.（葫芦有限责任公司）
本文提出了CF-NADE，一个神经自回归架构的协同过滤（CF）任务，这是受限制玻尔兹曼机（RBM）的CF模型和神经自回归分布估计（NADE）。我们首先描述了CF任务的基本CF-NADE模型。然后，我们提出了改进模型之间共享参数不同的评级。一个因子化的版本CF-NADE也提出了更好的可扩展性。此外，我们考虑的顺序性质的偏好，并提出了一个顺序成本优化CF-NADE，表现出优越的性能。最后，CF-NADE可以扩展到深度模型，仅适度增加计算复杂性。实验结果表明，具有单个隐藏层的CF-NADE在MovieLens 1 M，MovieLens 10 M和Netflix数据集上击败了所有先前的最先进方法，并且添加更多隐藏层可以进一步提高性能。
2016-05-31 cs.IR cs.LG stat.ML
Consistent Collaborative Filtering via Tensor Decomposition
Apple（苹果公司）
本文提出切片反对称分解（SAD）协同过滤模型，通过为每个物品引入额外潜在向量，将点积扩展为一般内积以捕捉用户非线性偏好和成对比较循环，在超过100万交互的数据集上实现了最一致的个性化偏好并保持顶级推荐准确率。
2023-07-10 cs.IR cs.LG stat.ML
A Latent Source Model for Online Collaborative Filtering
Massachusetts Institute of Technology（麻省理工学院）
尽管协同过滤在推荐系统中很流行，但关于它为什么以及如何工作的理论发展很少，特别是在“在线”设置中，随着时间的推移，项目被推荐给用户。我们通过引入一个在线推荐系统的模型来解决这个理论上的差距，将模型下的项目推荐作为一个学习问题，并分析了余弦相似性协同过滤方法的性能。在我们的模型中，每个$n$用户喜欢或不喜欢每个$m$项目。我们假设存在$k$类型的用户，并且给定类型的所有用户共享确定喜欢每个项目的机会的公共概率串。在每个时间步，我们向每个用户推荐一个物品，其中与相关的强盗文献的关键区别在于，一旦用户消费了一个物品（例如，观看电影），则该项目不能被再次推荐给同一用户。我们的目标是随着时间的推移最大限度地增加推荐给用户的喜欢的项目的数量。我们的主要研究结果表明，经过近$\log(km)$初始学习时间步，一个简单的协同过滤算法实现了基本上最优的性能，而不知道$k$。该算法有一个开发步骤，使用余弦相似性和两种类型的探索步骤，一个是探索项目的空间（标准的文献），另一个是探索用户之间的相似性（新的这项工作）。
2014-10-31 cs.IR cs.LG stat.ML
Collaborative Filtering with Stability
IBM Research - China（IBM中国研究院）；University of Colorado Boulder（科罗拉多大学博尔德分校）
协同过滤（CF）是当前推荐系统中的一种流行技术，基于矩阵近似的CF方法在评分预测和top-N推荐任务中取得了巨大的成功。然而，现实世界的用户-项目评分矩阵通常是稀疏的、不完整的和有噪声的，这对矩阵近似的算法稳定性提出了挑战，即，训练数据中的小变化可能显著地改变模型。结果，现有的矩阵近似解决方案产生低泛化性能，在训练数据上表现出高误差方差，并且最小化训练误差可能不能保证在测试数据上的误差减少。本文研究了矩阵近似方法的算法稳定性问题，以及如何通过稳定的矩阵近似实现稳定的协同过滤。提出了一种新的算法设计框架，该框架（1）引入新的优化目标来指导稳定矩阵近似算法的设计，（2）求解优化问题以获得具有良好泛化性能的稳定近似解.在真实数据集上的实验结果表明，与现有的矩阵近似方法和集成方法相比，该方法在评分预测和top-N推荐任务中具有更高的准确率.
2018-11-06 cs.IR cs.LG stat.ML
RGCF: Refined Graph Convolution Collaborative Filtering with concise and expressive embedding
Hefei University of Technology（合肥工业大学）
图卷积网络（GCN）已经引起了极大的关注，并成为最流行的学习图表示的方法。近年来，许多努力都集中在将GCN集成到推荐任务中，并取得了显着的进展。其核心是明确地捕捉用户-项目二分图中节点之间的高阶连接性。然而，我们从理论和经验上发现，这些基于GCN的推荐方法存在一个固有的缺点，GCN直接应用于聚合相邻节点会引入噪声和信息冗余。因此，这些模型捕捉不同节点之间的高阶连接的能力是有限的，导致推荐任务的次优性能。其主要原因是GCN结构中的非线性网络层不适合协同过滤场景中的非语义特征（如独热ID特征）的提取。在这项工作中，我们开发了一个新的基于GCN的协同过滤模型，命名为精炼图卷积协同过滤（RGCF），其中用户（项目）的嵌入的建设是从几个方面精心重新设计的聚合过程中的图。与最先进的基于GCN的推荐相比，RGCF更能够捕获图内部的隐式高阶连接性，并且结果向量表示更具表达力。我们在三个公开的百万级数据集上进行了广泛的实验，证明我们的RGCF显著优于最先进的模型。我们在https://github.com/hfutmars/RGCF上发布代码。
2020-07-11 cs.IR cs.LG stat.ML
Response Aware Model-Based Collaborative Filtering
Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院）；The Chinese University of Hong Kong（香港中文大学）；AT&T Labs Research（AT&T实验室研究部）
推荐系统的前期工作主要集中在对用户评分的拟合上。然而，响应模式，即，一些项目被评级，而另一些则不被评级，通常被忽略。我们认为，未能观察到这样的响应模式可能会导致有偏的参数估计和次优模型性能。虽然有几项工作已经尝试对用户的响应模式进行建模，但它们错过了成功的矩阵分解协同过滤方法的有效性和可解释性。为了弥补这一差距，本文将显式响应模型和PMF相结合，建立了响应感知概率矩阵分解（RAPMF）框架。我们表明，RAPMF归入PMF作为一种特殊情况。实证上，我们从各个方面证明了RAPMF的优点。
2012-10-16 cs.IR cs.LG stat.ML
Collaborative Filtering Bandits
University of Insubria（因苏布里亚大学）；Telefónica Research（西班牙电信研究中心）
经典的协同过滤和基于内容的过滤方法试图在给定训练数据的情况下学习静态推荐模型。这些方法在高度动态的推荐领域（如新闻推荐和计算广告）中远非理想，这些领域的项目和用户集非常不稳定。在这项工作中，我们研究了一种自适应聚类技术的内容推荐的基础上探索开发策略的上下文多臂强盗设置。我们的算法考虑到由于用户与项目的交互而产生的协作效应，通过基于正在考虑的项目动态地对用户进行分组，并且同时基于在用户上引起的聚类的相似性对项目进行分组。由此产生的算法，从而利用数据中的偏好模式的方式类似于协同过滤方法。我们对中等规模的真实世界数据集进行了实证分析，显示了可扩展性和提高的预测性能（以点击率为衡量标准），超过了最先进的集群方法。我们还提供了一个标准的线性随机噪声设置内的遗憾分析。
2016-05-31 cs.AI cs.LG stat.ML
Neural Cross-Domain Collaborative Filtering with Shared Entities
Indian Institute of Science（印度科学学院）
跨域协同过滤（CDCF）通过利用相关领域的知识，提供了一种解决推荐系统中数据稀疏和冷启动问题的方法。现有的CDCF模型要么基于矩阵分解，要么基于深度神经网络。孤立的技术中的任一种都可能导致预测任务的次优性能。此外，大多数现有的模型面临的挑战，特别是在处理域之间的多样性和学习复杂的非线性关系，存在于实体（用户/项目）内和跨域。在这项工作中，我们提出了一个端到端的神经网络模型- NeuCDCF，以解决这些挑战，在跨域设置。更重要的是，NeuCDCF遵循一个广泛而深入的框架，它结合了矩阵分解和深度神经网络来学习表示。我们在四个真实世界的数据集上进行了实验，并证明我们的模型比最先进的CDCF模型表现得更好。
2019-07-19 cs.IR cs.LG stat.ML
Cross-Domain Collaborative Filtering via Translation-based Learning
Maastricht University（马斯特里赫特大学）
随着社交媒体平台和电子商务网站的激增，最近引入了几种跨域协同过滤策略来跨域传递用户偏好的知识。跨域推荐的主要挑战是如何权衡和学习用户在多个领域的不同行为。在本文中，我们提出了一个跨域协同过滤模型的翻译为基础的战略，即CDT。在我们的模型中，我们使用平移向量学习嵌入空间，并在用户的多个偏好中捕获高阶特征交互。在这样做的过程中，我们有效地计算了特征潜在嵌入之间的传递性，也就是说，如果特征对在潜在空间中具有高的交互权重，那么没有观察到跨域交互的特征嵌入也将密切相关。我们将目标函数表示为因子分解机器中的排序问题，并通过梯度下降学习模型的参数。此外，为了更好地捕捉跨领域用户偏好的非线性，我们通过使用深度学习策略（即DeepCDT）扩展了所提出的CDT模型。我们在六个公开的跨域任务上的实验证明了所提出的模型的有效性，优于其他最先进的跨域策略。
2019-08-11 cs.IR cs.LG stat.ML
Large-scale Collaborative Filtering with Product Embeddings
University of Texas at Austin（得克萨斯大学奥斯汀分校）
将机器学习技术应用于大规模的个性化推荐问题是一项具有挑战性的任务。这样的系统必须理解大量的隐式反馈，以了解用户在众多产品类别中的偏好。本文提出了一种基于深度学习的解决方案，在协同过滤与隐式反馈框架内的这个问题。我们的方法结合了神经注意力机制，它允许上下文相关的加权过去的行为信号，与表示学习技术产生的模型，获得极高的覆盖率，可以很容易地将新的信息，因为它变得可用，计算效率。离线实验表明显着的性能改善时，从文献中的几种替代方法相比。从在线设置的结果表明，该方法相比，目前的生产技术，用于产生个性化的产品推荐。
2019-01-11 cs.IR cs.LG cs.NE
Defending Collaborative Filtering Recommenders via Adversarial Robustness Based Edge Reweighting
Yongyu Wang（王 Yongyu）
本文提出了一种基于对抗鲁棒性的边重加权方法，用于防御协同过滤推荐系统中的资料注入攻击。
2025-12-12 cs.LG stat.ML
A Hybrid Latent Variable Neural Network Model for Item Recommendation
Brigham Young University（杨百翰大学）；University of Arkansas（阿肯色大学）
协同过滤用于向用户推荐项目，而不需要项目本身的知识，并且往往优于其他技术。然而，协同过滤遭受冷启动问题，这发生在项目尚未被评级或用户尚未对任何项目进行评级时。将附加信息（如项目或用户描述）添加到协同过滤中可以解决冷启动问题。在本文中，我们提出了一个神经网络模型与潜在的输入变量（潜在的神经网络或LNN）作为一种混合协同过滤技术，解决了冷启动问题。LNN优于基于内容的过滤器（基于项目描述进行推荐）和其他混合方法，同时保持最先进的协同过滤技术的准确性。
2014-06-09 cs.IR cs.LG cs.NE
Collaborative Filtering under Model Uncertainty
University of Tübingen（蒂宾根大学）
在他们的工作中，Dean，Rich和Recht创建了一个模型来研究推荐系统中项目的资源和可用性。我们使用Marx，Pin Calmon和Ustun对预测多重性的定义来检查该模型的不同变体，使用两个模型参数的不同值。他们的模型的成对比较表明，这些模型中的大多数产生非常相似的结果的差异和模糊性的可用性，只有在某些情况下的可用性集显着不同。
2020-08-25 cs.LG stat.ML
Graph DNA: Deep Neighborhood Aware Graph Encoding for Collaborative Filtering
University of California, Davis（加州大学戴维斯分校）；Amazon（亚马逊）
在本文中，我们考虑推荐系统的边信息的形式图。现有的协同过滤算法主要利用直接的邻域信息，并有很难利用超过1-2跳的更深的邻域。利用更深层次的图形信息的主要警告是，当合并来自这些邻域的信息时，时间和空间复杂度快速增长。在本文中，我们提出了使用图DNA，一种新的深度邻域感知图编码算法，用于开发更深层次的邻域信息。DNA编码使用布隆过滤器（一种空间高效的概率数据结构）在线性时间内计算近似的深度邻域信息，并导致图中节点数量为对数的每节点编码。它可以与基于特征和基于图正则化的协同过滤算法结合使用。与直接使用高阶图信息相比，图DNA具有内存和时间效率高的优点，并提供额外的正则化。我们在真实世界的数据集上进行了实验，表明图DNA可以很容易地与4种流行的协同过滤算法一起使用，并始终导致性能提升，而计算和内存开销很少。
2019-05-29 cs.AI cs.LG stat.ML
Collaborative Filtering via Group-Structured Dictionary Learning
Eötvös Loránd University（厄特沃什·罗兰大学）；Carnegie Mellon University（卡内基梅隆大学）
结构化稀疏编码及其相关的结构化字典学习问题是机器学习领域的一个新的研究方向。在本文中，我们提出了一个新的应用结构化字典学习的协同过滤推荐系统。我们广泛的数值实验表明，所提出的技术优于其国家的最先进的竞争对手，并有几个优点的方法，不把结构化的约束字典元素。
2012-01-01 cs.LG math.OC math.ST
Predicting computational reproducibility of data analysis pipelines in large population studies using collaborative filtering
Concordia University（康考迪亚大学）
评估数据分析管道的计算再现性已成为一个关键问题。然而，由于其计算和存储要求，对于涉及来自大量受试者的数据的分析来说，这是一个繁琐的过程。我们提出了一种方法来预测大人口研究中数据分析管道的计算再现性。我们制定的问题作为一个协同过滤过程中，约束的训练集的建设。我们提出了6种不同的策略来构建训练集，我们在2个数据集上进行了评估，一个是对具有越来越多的主题类型的人群进行建模的合成数据集，另一个是通过神经信息学管道获得的真实数据集。结果表明，一种抽样方法，“随机文件编号（均匀）”是能够预测计算再现性具有良好的精度。我们还分析了包括文件和主题偏见的协同过滤模型的相关性。我们的结论是，所提出的方法是能够大大加快再现性评价，减少准确性损失。
2018-09-26 cs.LG stat.ME stat.ML
Learning Distributed Representations from Reviews for Collaborative Filtering
Université de Montréal（蒙特利尔大学）
最近的工作表明，协同过滤器为基础的推荐系统可以通过纳入边信息，如自然语言评论，作为一种正则化的方式派生的产品表示。这种方法的成功的动机，我们介绍了两种不同的模型的评论，并研究其对协同过滤性能的影响。虽然以前的最先进的方法是基于潜在的狄利克雷分配（LDA）模型的评论，我们探索的模型是基于神经网络：一袋的话产品的专家模型和一个循环神经网络。我们证明了专家产品模型提供的更高灵活性使其能够在Amazon评论数据集上实现最先进的性能，优于基于LDA的方法。然而，有趣的是，递归神经网络提供的更大的建模能力似乎破坏了模型作为产品表示的正则化器的能力。
2018-06-18 cs.LG stat.ML
Explainable Restricted Boltzmann Machines for Collaborative Filtering
University of Louisville（路易斯维尔大学）
大多数精确的推荐系统都是黑盒模型，隐藏了推荐背后的推理。然而，解释已经被证明可以增加用户对系统的信任，除了提供其他好处，如可感知性，这意味着能够验证推荐的有效性。准确性和透明度或可解释性之间的这种差距产生了对自动解释生成方法的兴趣。受限玻尔兹曼机（RBM）是CF的精确模型，也缺乏可解释性。在本文中，我们专注于基于RBM的协同过滤推荐，并进一步假设没有任何额外的数据源，如项目内容或用户属性。因此，我们提出了一个新的可解释的RBM技术，计算的前n个推荐列表的项目是可解释的。实验结果表明，我们的方法是有效的，在生成准确和可解释的建议。
2016-06-22 cs.LG stat.ML
History-Augmented Collaborative Filtering for Financial Recommendations
Université Paris-Saclay（巴黎-萨克雷大学）；CentraleSupélec（中央高等电力学院）；BNP Paribas Corporate and Institutional Banking（法国巴黎银行企业与机构银行）
在许多企业中，特别是在金融领域，客户的行为可能会随着时间的推移而发生巨大变化。因此，在这样的环境中使用的推荐系统能够适应这些变化是至关重要的。在这项研究中，我们提出了一种新的协同过滤算法，通过用户和项目的最近的互动历史，以提供动态的建议，捕获的时间上下文的用户项目交互。该算法的设计考虑到了金融世界的特定问题，使用了一个自定义的神经网络架构，可以解决用户和项目行为的非平稳性。该算法的性能和属性进行了监测，在一系列的实验上的G10债券报价要求专有数据库从法国巴黎银行公司和机构银行。
2021-02-26 cs.LG q-fin.CP stat.ML
Grid Based Nonlinear Filtering Revisited: Recursive Estimation & Asymptotic Optimality
我们回顾了一般马尔可夫过程在离散时间，部分观察到的条件高斯噪声的网格为基础的递归近似滤波的发展。所考虑的基于网格的滤波器依赖于两种类型的状态量化：\textit{Markovian}类型和\textit{marginal}类型。我们提出了一组新的，宽松的充分条件，确保强大的和充分的特点，这些过滤器的路径收敛到各自的MMSE状态估计器。特别是，对于边际状态量化，我们引入了\textit{conditional regularity of stochastic kernels}的概念，据我们所知，这构成了最宽松的条件下提出的，在此条件下，保证了各自的基于网格的过滤器的渐近最优性。此外，我们扩展我们的收敛结果，包括过滤的有界和连续的泛函的状态，以及递归近似状态预测。对于马尔可夫和边际量化，各自基于网格的滤波器的整个开发更多地依赖于线性代数技术，而不是测量理论参数，使得演示文稿相当短，技术上更简单。
2016-04-10 cs.IT math.IT math.OC
