Automatic Collection Creation and Recommendation
Airtel Digital
我们提出了一个集合推荐系统,可以自动创建和推荐的项目在用户级别的集合。与输出前N个相关项目的常规推荐系统不同,集合推荐系统输出项目的集合,使得集合中的项目与用户相关,并且集合内的项目遵循特定主题。我们的系统建立在项目推荐系统学习的用户项目表示之上。我们采用降维和聚类技术以及直观的分类来创建具有评级和标题的集合。我们在一个流行的音乐流媒体服务中,在现实世界的音乐推荐环境中测试这些想法。我们发现,当推荐收藏品时,消费量增加了2.3倍。此外,它导致房地产的有效利用,并导致推荐更多和更多样化的项目集。据我们所知,这是第一次在如此大的规模上进行此类实验。
2021-05-03 cs.IR cs.LG
A Clustering-Based Method for Automatic Educational Video Recommendation Using Deep Face-Features of Lecturers
Pontifical Catholic University of Rio de Janeiro(里约热内卢天主教大学)
本文提出一种基于无监督人脸聚类的教育视频推荐方法,通过讲师深度人脸特征建立视频关系并按讲师出现时长排序,无需文本信息即实现99.165%的mAP。
2020-10-09 cs.LG cs.MM
Automatic Tag Recommendation for Painting Artworks Using Diachronic Descriptions
UFMG(米纳斯吉拉斯联邦大学);Projeto Portinari(波尔蒂纳里项目);Kunumi
在本文中,我们处理的问题,自动标签推荐绘画艺术品。历时性描述包含用于描述每幅画的词汇的偏差,通常发生在作品由许多专家随着时间的推移完成时。这项工作的目的是提供一个框架,产生一个更准确和均匀的一套标签的每一幅画在一个大的集合。为了验证我们的方法,我们建立了一个模型的基础上,弱监督神经网络的$5{,}300$绘画与手工标记的描述由专家为巴西画家波尔蒂纳里的绘画。这项工作发生在Portinari项目,该项目始于1979年,旨在恢复和编目巴西画家的画作。当时,波尔蒂纳里的画作被私人收藏,博物馆遍布世界各地,因此无法向公众开放。每幅画的描述都是由大量的合作者在40多年的时间里完成的,这些历时性的描述导致了用于描述每幅画的词汇的偏差。我们提出的框架包括:(i)一个神经网络,它接收每幅画的图像作为输入,并使用频繁项集作为可能的标签;以及(ii)一个聚类步骤,我们根据预先训练的分类器的输出对相关标签进行分组。
2020-04-21 cs.LG stat.ML
BLC: Private Matrix Factorization Recommenders via Automatic Group Learning
School of Computer Science and Statistics, Trinity College(都柏林圣三一学院计算机科学与统计学院)
我们提出了一个隐私增强的矩阵分解推荐,利用这一事实,用户往往可以分组在一起的兴趣。这允许一种形式的“隐藏在人群中”的隐私。我们介绍了一种新的矩阵分解方法,适合在一个共享组(或NYM)设置和BLC算法进行这种矩阵分解的隐私增强的方式进行建议。我们证明,增加隐私并不以降低推荐准确性为代价。
2017-02-27 cs.LG stat.ML
Automatic Meta-Path Discovery for Effective Graph-Based Recommendation
The University of Hong Kong(香港大学);Southern University of Science and Technology(南方科技大学);TCL Research(TCL研究院);The University of Western Australia(西澳大学)
异构信息网络(HIN)是描绘不同类型的实体(例如,用户、电影和导演)。对于HIN,基于元路径的路由器(MPR)利用元路径(即,由节点和链接类型组成的抽象路径)来预测用户偏好,并且由于其可解释性和性能而吸引了很多关注。我们观察到,MPR的性能是高度敏感的元路径,他们使用,但现有的作品手动选择元路径从许多可能的。因此,为了自动发现有效的元路径,我们提出了基于强化学习的元路径选择(RMS)框架。具体来说,我们定义了元路径的向量编码,并设计了一个策略网络来扩展元路径。该策略网络根据下游推荐任务的结果进行训练,并提出了一种提前停止近似策略以加快训练速度。RMS是一个通用的模型,它可以与所有现有的MPR。我们还提出了一个新的MPR称为RMS-HRec,它使用一个注意力机制,从元路径的信息聚合。我们在真实数据集上进行了大量的实验。与手动选择的元路径相比,RMS识别的元路径一致地提高了推荐质量。此外,RMS-HRec在命中率方面平均优于最先进的推荐系统7%。代码和数据集可在https://github.com/Stevenn9981/RMS-HRec上获得。
2022-09-07 cs.IR cs.LG
Automatic Feature Fairness in Recommendation via Adversaries
National University of Singapore(新加坡国立大学);Nanyang Technological University(南洋理工大学);UC, San Diego(加州大学圣地亚哥分校);AWS AI Research & Education(AWS人工智能研究与教育部门)
本文针对推荐系统中敏感特征定义与准确率保持难题,提出AAFM模型,依据特征频率和组合多样性自适应调整对抗扰动,从而同时提升多群体公平性与推荐准确率。
2023-09-27 cs.IR cs.LG
Automatic Representation for Lifetime Value Recommender Systems
Microsoft ILDC(微软创新学习中心)
许多现代商业网站采用推荐系统向用户推荐相关内容。虽然大多数系统都专注于最大化即时收益(点击,购买或评级),但更好的成功概念是用户-系统交互的生命周期价值(LTV)。LTV方法考虑项目推荐的未来影响,并寻求随着时间的推移最大化累积收益。强化学习(RL)框架是随着时间的推移优化累积成功的标准公式。然而,RL在实践中很少使用,因为它的相关表示,优化和验证技术可能很复杂。在本文中,我们提出了一种将RL与推荐系统相结合的新架构,无需手动调整功能,从而使状态空间表示构建过程自动化。我们分析了在这个配方的实际困难,并测试我们的解决方案批量离线现实世界的推荐数据。
2017-02-23 cs.LG stat.ML
AutoAssign+: Automatic Shared Embedding Assignment in Streaming Recommendation
City University of Hong Kong(香港城市大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文提出强化学习框架AutoAssign+,通过Identity Agent动态共享、保留或消除ID嵌入,以缓解流式推荐冷启动并降低约20–30%内存。
2023-08-14 cs.IR cs.LG
Insight-centric Visualization Recommendation
Georgia Tech(佐治亚理工学院);Adobe Research(奥多比研究中心)
可视化推荐系统简化了探索性数据分析(EDA),并通过自动生成可视化供用户探索,使所有技能水平的用户更容易理解数据。然而,大多数现有的可视化推荐系统专注于基于特定属性或编码将所有可视化排列到单个列表或组集合中。这种全球排名使得用户很难找到最有趣或最相关的见解。为了解决这些限制,我们引入了一类新的可视化推荐系统,自动排名和推荐两组相关的见解以及每组中最重要的见解。我们提出的方法结合了许多不同的基于学习的方法的结果,以自动发现见解。一个关键的优点是,这种方法推广到各种各样的属性类型,如分类,数值和时间,以及这些不同的属性类型的复杂的非平凡的组合。为了评估我们的方法的有效性,我们实现了一个新的以洞察力为中心的可视化推荐系统Spotlight,它生成并排名带注释的可视化来解释每个洞察力。我们对12名参与者和两个数据集进行了用户研究,结果表明用户能够快速理解并在不熟悉的数据中找到相关见解。
2021-03-21 cs.AI cs.HC cs.IR
Adaptive Dense-to-Sparse Paradigm for Pruning Online Recommendation System with Non-Stationary Data
University of Texas, Austin(得克萨斯大学奥斯汀分校);Facebook Inc.(脸书公司)
大规模深度学习通过采用更广泛和更深入的模型来提高内容推荐系统的质量,但这在现代数据中心中带来了巨大的基础设施成本和碳足迹。剪枝是一种有效的技术,可以减少模型推理的内存和计算需求。然而,在线推荐系统的修剪是具有挑战性的,由于连续的数据分布偏移(又名非平稳数据)。虽然完整模型上的增量训练能够适应非平稳数据,但直接将其应用于修剪模型会导致准确性损失。这是因为修剪后的稀疏模式需要调整以学习新的模式。据我们所知,这是第一项深入分析和讨论将修剪应用于具有非平稳数据分布的在线推荐系统的工作。总体而言,本文的工作主要有以下几个方面的贡献:1)提出了一种自适应的密集到稀疏的模式,并结合一种新的剪枝算法,用于对具有非平稳数据分布的大规模推荐系统进行剪枝; 2)设计了自动学习层间稀疏度的剪枝算法,避免了重复手工调整,这对于修剪用非平稳数据训练的推荐系统的异构体系结构是至关重要的。
2020-10-21 cs.LG
AMEIR: Automatic Behavior Modeling, Interaction Exploration and MLP Investigation in the Recommender System
Peking University(北京大学);HULU LLC(HULU有限责任公司);Alibaba Group(阿里巴巴集团)
近年来,深度学习模型在工业推荐系统中得到了广泛的应用,并提高了推荐质量。虽然任务感知推荐系统已经取得了显著的成功,但其设计通常需要领域专家的手工特征工程和架构工程。为了减轻这些人的努力,我们探索神经结构搜索(NAS)的潜力,并介绍AMEIR的自动行为建模,交互探索和多层感知器(MLP)调查的推荐系统。AMEIR的核心贡献是三级搜索空间和定制的三步搜索管道。AMEIR将完整的推荐模型划分为行为建模、交互探索、MLP聚合三个阶段,并引入了一个新的搜索空间,其中包含三个定制的子空间,覆盖了现有的大多数方法,从而可以搜索到更好的模型。为了高效地找到理想的体系结构,AMEIR在三个阶段逐步实现推荐中的一次随机搜索,并将搜索结果汇总为最终结果。进一步的分析表明,AMEIR的搜索空间可以覆盖大多数有代表性的推荐模型,这证明了我们设计的通用性。在各种场景下的大量实验表明,AMEIR优于精心手工设计的竞争基线和领先的算法复杂的NAS方法,具有较低的模型复杂度和可比的时间成本,表明所提出的方法的有效性,效率和鲁棒性。
2022-06-14 cs.IR cs.LG stat.ML
AutoLossGen: Automatic Loss Function Generation for Recommender Systems
Rutgers University(罗格斯大学)
在推荐系统中,损失函数的选择是至关重要的,因为良好的损失可以显著提高模型性能。然而,由于问题的复杂性,手动设计良好的损失是一个很大的挑战。以前的工作很大一部分集中在手工制作的损失函数,这需要大量的专业知识和人力。在本文中,自动机器学习的最新发展的启发,我们提出了一个自动的损失函数生成框架,AutoLossGen,它能够生成损失函数直接从基本的数学运算符构造的损失结构没有先验知识。更具体地说,我们开发了一个由强化学习驱动的控制器模型来生成损失函数,并开发了迭代和交替优化时间表来更新控制器模型和推荐器模型的参数。推荐系统中自动损失生成的一个挑战是推荐数据集的极端稀疏性,这导致了损失生成和搜索的稀疏奖励问题。为了解决这个问题,我们进一步开发了一个奖励过滤机制,以实现高效和有效的损失生成。实验结果表明,我们的框架管理创建定制的损失函数为不同的推荐模型和数据集,和产生的损失给出了更好的推荐性能比常用的基线损失。此外,所产生的大部分损失是可转移的,即,基于一个模型和数据集生成的损失对于另一个模型或数据集也很有效。该工作的源代码可在https://github.com/rutgerswiselab/AutoLossGen上获得。
2022-04-27 cs.AI cs.IR cs.LG
Maximizing Submodular Functions for Recommendation in the Presence of Biases
Yale University(耶鲁大学)
该研究针对存在社会偏差的推荐场景下的子模函数最大化问题,证明约束式干预无法保证常数比例最优效用,提出一种可实现近优效用且保障群体比例代表性的算法,经实验验证其效用优于基线。
2023-05-03 cs.AI cs.CY cs.IR
Automatic Recommendation of Strategies for Minimizing Discomfort in Virtual Environments
Universidade Federal Fluminense(弗鲁米嫩塞联邦大学);Universidade Tecnologica Federal do Paraná(巴拉那联邦理工大学);Instituto Federal do Triangulo Mineiro(米纳斯三角洲联邦学院)
随着盔装显示器的使用逐渐进入大众市场,虚拟现实(VR)在游戏、教育、娱乐、军事和健康应用中是一个迫在眉睫的趋势。虚拟现实提供了身临其境的体验,但仍然没有提供一个完全完美的情况下,主要是由于赛博病(CS)的问题。在这项工作中,我们首先提出了一个详细的审查有关CS的可能原因。接下来,我们提出了一种新的CS预测解决方案。我们的系统能够建议用户是否可能在应用程序的下一个时刻进入疾病状态。我们使用随机森林分类器,基于我们产生的数据集。提出了一种用于确定玩家对CS的敏感性的CSPQ问卷(Cybersickness Profile Questionnaire),并建立了相应的数据集。此外,我们设计了两个沉浸式环境的实证研究,参与者被要求完成问卷,并描述(口头)在他们的游戏体验的不适程度。我们的数据是通过84个人在不同的日子里使用VR设备获得的。我们的建议还使我们能够确定哪些是观察到的不适情况中最常见的属性(原因)。
2020-06-27 cs.GR cs.HC cs.LG
Related Rhythms: Recommendation System To Discover Music You May Like
Language Technology Institute(语言技术研究所);Electrical and Computer Engineering(电气与计算机工程系);Carnegie Mellon University(卡内基梅隆大学)
本文提出一个基于分布式机器学习流水线的音乐推荐系统,利用百万歌曲数据集训练模型,从输入歌曲子集中发现并推荐相似歌曲。
2023-09-24 cs.AI cs.IR cs.LG
Detecting Beneficial Feature Interactions for Recommender Systems
University of Melbourne(墨尔本大学);Tsinghua University(清华大学);Hebei University of Technology(河北工业大学)
特征交互是实现推荐系统高准确性的关键。许多研究考虑到每对特征之间的相互作用。然而,这是次优的,因为一些特征交互可能与推荐结果不相关,并且考虑它们可能会引入噪声并降低推荐准确性。为了充分利用特征交互,我们提出了一种图神经网络方法来有效地对它们进行建模,并提出了一种新的技术来自动检测那些在推荐准确性方面有益的特征交互。通过L0激活正则化的边缘预测实现自动特征交互检测。通过信息瓶颈原理和统计交互作用理论证明了该模型的有效性。实验结果表明,我们的模型(i)在准确性方面优于现有的基线,(ii)自动识别有益的特征交互。
2021-05-18 cs.IR cs.LG stat.ML
ML-based Visualization Recommendation: Learning to Recommend Visualizations from Data
University of Maryland(马里兰大学);Adobe Research(奥多比研究院)
可视化推荐旨在自动生成、评分并向用户推荐有用的可视化,对于快速探索和深入了解新的或现有的数据集至关重要。在这项工作中,我们提出了第一个端到端的基于ML的可视化推荐系统,该系统将大型数据集和可视化语料库作为输入,并根据这些数据学习模型。然后,给定来自任意用户的新的未见过的数据集,模型自动生成该新数据集的可视化,导出可视化的分数,并向用户输出按有效性排序的推荐可视化列表。我们还描述了一个评估框架,以定量评估从大型可视化和数据集语料库中学习的可视化推荐模型。通过定量实验,用户研究和定性分析,我们表明,我们的端到端ML为基础的系统相比,现有的最先进的基于规则的系统,建议更有效和有用的可视化。最后,我们观察到人类专家在我们的用户研究中对我们基于ML的系统推荐的可视化的强烈偏好,而不是基于规则的系统(来自7点Likert量表的5.92,相比之下只有3.45)。
2020-09-25 cs.HC cs.IR cs.LG
Practical Recommendations for the Design of Automatic Fault Detection Algorithms Based on Experiments with Field Monitoring Data
Instituto Superior Técnico(高等技术学院);Enmova GmbH(Enmova有限公司);Fraunhofer Institute for Solar Energy Systems ISE(弗劳恩霍夫太阳能系统研究所);Pohlen Solar GmbH(波伦太阳能有限公司)
自动故障检测(AFD)是优化光伏(PV)系统组合的操作和维护的关键技术。检测PV系统中的故障的一种非常常见的方法是基于测量和模拟性能之间的比较。虽然这种方法已经被许多作者探索,由于缺乏一个共同的基础来评估他们的性能,它仍然不清楚是什么影响因素在AFD算法的设计。在这项研究中,一系列的AFD算法进行了测试,在真实的操作条件下,使用超过58个月的监测数据收集80屋顶型光伏系统安装在德国。结果表明,这种类型的AFD算法有可能检测到高达82.8%的能量损失,特异性高于90%。一般来说,模拟精度越高,特异性越高。使用不太准确的模拟可以以降低特异性为代价来增加灵敏度。单独分析测量值使算法对仿真精度不太敏感。使用机器学习聚类算法进行统计分析,显示出特殊的能力,以防止错误的警报,即使在建模精度不高的情况下。如果可以容忍略高水平的错误警报,则使用Shewhart图表对每日PR进行分析可以提供非常简单的解决方案的高灵敏度,而无需更复杂的建模或聚类算法。
2022-03-02 cs.LG cs.SY eess.SY
Contextual Recommendations and Low-Regret Cutting-Plane Algorithms
Google Research(谷歌研究院)
我们考虑以下变体的上下文线性强盗的动机在导航引擎和推荐系统中的路由应用程序。我们希望学习一个隐藏的$d$ -维值$w^*$。每一轮,我们都有一个可能行动的子集$\mathcal{X}_t \subseteq \mathbb{R}^d$。如果我们选择(即向用户推荐)操作$x_t$,我们获得实用程序$\langle x_t, w^* \rangle$,但仅学习最佳操作$\arg\max_{x \in \mathcal{X}_t} \langle x, w^* \rangle$的标识。我们设计了这个问题的算法,实现遗憾$O(d\log T)$和$\exp(O(d \log d))$。为了实现这一点,我们设计了新的切割平面算法与低“遗憾”-之间的总距离真正的点$w^*$和超平面的分离预言返回。我们还考虑了允许我们提供若干建议清单的变式。在这个变体中,我们给出了一个具有$O(d^2 \log d)$后悔和列表大小$\mathrm{poly}(d)$的算法。最后,我们构建了一个较弱的变体,这个问题的学习者只学习的身份比建议的行动,几乎紧算法。我们的研究结果依赖于新的算法技术在凸几何(包括一个变体的斯坦纳公式的质心的凸集),这可能是独立的利益。
2021-06-09 cs.DS cs.LG math.OC
MLFriend: Interactive Prediction Task Recommendation for Event-Driven Time-Series Data
Massachusetts Institute of Technology(麻省理工学院)
机器学习中的大多数自动化都集中在模型选择和超参数调整上,许多人忽视了自动定义预测任务的挑战。我们仍然严重依赖人类专家来定义预测任务,并通过汇总原始数据来生成标签。在本文中,我们解决了在事件驱动的时间序列数据上定义有用的预测问题的挑战。我们引入MLFriend来应对这一挑战。MLFriend首先在预定义的空间下生成所有可能的预测任务,然后与数据科学家交互,学习数据的上下文,并从空间中的所有任务中推荐好的预测任务。我们在三个不同的数据集上评估了我们的系统,并生成了总共2885个预测任务并解决了它们。其中722个被专家数据科学家认为有用。我们还表明,一个自动预测任务发现系统是能够识别前10名的任务,用户可能会喜欢在一批100个任务。
2019-06-28 cs.IR cs.LG stat.ML
Automatic Pruning of Fine-tuning Datasets for Transformer-based Language Models
McGill University(麦吉尔大学)
本研究提出一种基于训练样本分类成功率的微调数据集自动剪枝方法,可自动生成适配不同模型与任务的多个剪枝子集,在5项下游任务上验证了剪枝后训练集更小且性能略有提升的效果。
2024-07-11 cs.CL cs.LG
Automatic Generation of Natural Language Explanations
Aalborg Universitet(奥尔堡大学);Insight Centre for Data Analytics(数据分析洞察中心);University College Dublin(都柏林大学学院)
推荐系统的一个重要任务是根据用户的偏好生成解释。目前大多数用于可解释推荐的方法使用结构化句子来提供描述以及它们产生的推荐。然而,这些方法忽略了以评论为导向的文本写作方式,尽管我们知道这些评论对用户的决策有很大的影响。在本文中,我们提出了一种自动生成的自然语言的解释,预测用户将如何写一个项目,根据用户的评级,从不同的项目的功能。我们设计了一个字符级递归神经网络(RNN)模型,该模型使用长短期记忆(LSTM)生成项目的评论解释。该模型生成文本评论,给出评论和评级分数的组合,表达对项目的不同因素或方面的意见。我们的网络是在来自大型真实世界数据集BeerAdvocate的子样本上训练的。我们使用自然语言处理指标的实证评估显示,生成的文本的质量接近真实的用户书面评论,识别否定,拼写错误,和特定领域的词汇。
2017-07-04 cs.CL cs.LG
Behavior Importance-Aware Graph Neural Architecture Search for Cross-Domain Recommendation
Tencent(腾讯)
本文提出BiGNAS框架,通过跨域定制超网络和图行为重要性感知器联合优化GNN架构与源域行为数据重要性,在多个基准及工业数据集上取得优于现有方法的跨域推荐效果。
2025-03-11 cs.IR cs.LG
Learning From Missing Data Using Selection Bias in Movie Recommendation
LTCI(法国巴黎电信学院图像处理与通信实验室);CNRS(法国国家科学研究中心);Télécom ParisTech(巴黎电信学院);Université Paris-Saclay(巴黎萨克雷大学)
由于大量的信息缺失,向用户推荐商品是一项具有挑战性的任务。在许多情况下,数据仅由每个用户自愿提供的关于可用项目的非常有限的子集的评级或标签组成,因此实际上缺少大部分可能感兴趣的数据。目前的推荐方法通常假设未观测数据是随机随机缺失的。在这方面的贡献,我们提供了统计证据,现有的电影推荐数据集揭示了一个显着的正相关性之间的项目的评级和倾向,选择这些项目。我们提出了一种计算效率高的变分方法,使人们有可能利用这种选择偏差,以提高估计的收视率从小群体的用户。将这种方法应用于基于邻域的协同过滤所获得的结果说明了其提高推荐可靠性的潜力。
2015-09-30 cs.IR cs.LG cs.SI
Recommenadation aided Caching using Combinatorial Multi-armed Bandits
Indian Institute of Science(印度科学学院)
研究无线网络中基于推荐辅助的内容缓存问题,将其建模为组合多臂老虎机,提出两种基于UCB的算法分别处理已知和未知推荐可接受性场景以优化缓存命中,并提供了遗憾值上界和数值性能验证。
2025-01-27 cs.IR cs.LG cs.NI
News Recommendation with Category Description by a Large Language Model
Waseda University(早稻田大学)
本文提出利用大语言模型自动生成新闻类别描述,并将其融入推荐模型,在MIND数据集上使AUC最多提升5.8%,验证了该方法的有效性。
2024-05-13 cs.AI cs.CL cs.IR