首页/论文/1507.04412

arXiv 1507.044122015-07-15cs.SIcs.IR

在个人推荐中弥合基于网络的推理方法和全局排名方法之间的差距

Bridge the gap between network-based inference method and global ranking method in personal recommendation

Xiwei Liu

备注：: 13 pages, 3 figures

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文研究了个性化推荐中基于网络的推理方法和全局排序方法之间的关系。通过理论分析，证明了全局排序方法下的推荐结果是无限次应用基于网络的推理方法的极限。

英文摘要：

In this paper, we study the relationship between the network-based inference method and global ranking method in personal recommendation. By some theoretical analysis, we prove that the recommendation result under the global ranking method is the limit of applying network-based inference method with infinity times.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

超越个性化：创造者平等和消费者满意度的社交内容推荐

Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction

在现代社交媒体平台上，有效的内容推荐应该有利于创作者为他们带来真正的利益，也有利于消费者帮助他们获得真正有趣的内容。在本文中，我们提出了一个称为社会探索注意力网络（SEAN）的内容推荐模型。SEAN使用个性化内容推荐模型来鼓励个人兴趣驱动的推荐。此外，SEAN允许个性化因素关注用户在社交网络上的高阶好友，以提高推荐结果的准确性和多样性。从一个流行的分散式内容分发平台Steemit构建两个数据集，我们将SEAN与最先进的CF和基于内容的推荐方法进行比较。实验结果表明，SEAN的有效性在两个基尼系数的推荐平等和F1分数的推荐性能。

2019-06-16cs.IRcs.SI

提高实时推荐系统多样性的个性化重排序

Personalized Re-ranking for Improving Diversity in Live Recommender Systems

工业推荐系统的用户通常一次被推荐一个项目列表。理想情况下，这种列表式的解释应该为用户提供多样化和相关的选项。然而，在实践中，列表式推荐被实现为top-N推荐。Top-N推荐从候选项中选择前N个项目进行显示。该列表由排名函数生成，该排名函数从标记数据中学习以优化准确性。然而，top-N推荐可能会导致次优，因为它单独关注每个项目的准确性，而忽略了项目之间的相互影响。因此，我们提出了一个个性化的重新排序模型，以提高实际推荐系统中的推荐列表的多样性。建议的重新排名模型可以很容易地部署为后续组件后，任何现有的排名功能。重排序模型采用个性化的决定点过程（DPP），提高了多样性。DPP已经被应用于一些推荐系统中以提高多样性和用户参与度，但是DPP没有考虑到用户对多样性可能具有个体倾向的事实。为了克服这种限制，我们的重新排名模型提出了一个个性化的DPP模型的准确性和多样性之间的权衡为每个单独的用户。我们在一个大型的工业推荐系统中实现并部署了个性化DPP模型。离线和在线的实验结果表明，我们提出的重新排序模型的效率。

2020-04-21cs.IRcs.SI

基于图的协同排名

Graph-based Collaborative Ranking

数据稀疏性是基于邻域的协同过滤领域中的一个普遍问题，通常会使项目推荐过程变得复杂。这个问题在协同排名领域中更为严重，因为在协同排名领域中，计算用户相似度和推荐项目都是基于排名数据的。已经提出了一些基于图的方法来解决数据稀疏问题，但它们有两个缺陷。首先，它们无法正确地对用户的优先级进行建模，其次，当唯一可用的数据是一组排名而不是评级值时，它们无法使用。在本文中，我们提出了一种新的基于图的方法，称为GRank，这是专为协作排名域。GRank可以在一种新的三分图结构中正确地建模用户的优先级，并对其进行分析，从而直接推断出推荐列表。实验结果表明，在推荐质量的显着改善相比，最先进的基于图的推荐算法和其他协作排名技术。

2017-01-31cs.IRcs.SI

利用层次结构进行基于排名的推荐

Exploiting Hierarchy for Ranking-based Recommendation

这篇硕士论文的目的是研究和开发一种新的算法框架，用于协同过滤（CF）来生成推荐。我们提出的方法是基于开发的层次结构的项目空间和直观地“站”在属性的近完全可分解性（NCD），这是固有的结构中的大多数层次系统。基于NCDawareRank算法及其相关的NCD邻近概念背后的直觉，我们以一种阐明其地方特征的方式对我们的系统进行建模，并提出了一种新的推荐算法框架，称为HIR。我们专注于结合的直接与NCD的“邻居”的项目，以实现更好的表征项目间的关系，以提高质量的建议，并减轻稀疏相关的问题。

2015-12-23cs.IRcs.SI

社会化Web系统中基于标签的个性化推荐

A Personalized Tag-Based Recommendation in Social Web Systems

最近，标记活动已被确定为关于个人兴趣、偏好、目标和从用户模型已知的其他属性的知识的潜在来源。因此，标签本身可以用于找到个性化的项目推荐。在本文中，我们提出了一个基于标签的推荐系统，建议相似的网页的基础上，他们的标签从Web 2.0标签应用程序的相似性。所提出的方法扩展了基本的相似性演算与外部因素，如标签的流行程度，标签的代表性和用户和标签之间的亲和力。为了研究和评估推荐系统，我们进行了一项实验，涉及来自12个国家的38人使用的数据从Del.icio.us，社会书签网络系统，用户可以分享他们的个人书签。

2012-03-01cs.IRcs.SI

通过链路预测进行定向标准引文推荐与排序

Directed Criteria Citation Recommendation and Ranking Through Link Prediction

S&P Global（标普全球）

本文提出利用基于Transformer的图嵌入进行链路预测，以自动推荐和排序与新文档相关的引文，实验表明其语义表示优于其他基于内容的方法。

2024-03-18cs.IRcs.LGcs.SI

更多相关论文收起更多论文

基于网络算法的异构信息推荐

Heterogeneity Involved Network-based Algorithm Leads to Accurate and Personalized Recommendations

在基于网络的对象间定向资源转换算法中，考虑了源对象和目标对象的异构性。在考虑目标对象异质性的有偏热传导推荐方法（BHC）的基础上，进一步将源对象度作为扩散权重，提出了一种异质热传导推荐算法（HHC）。在Netflix、RYM和MovieLens三个真实数据集上进行测试，发现HHC算法在准确性和个性化方面都比两个优秀的算法，即，该算法是在原有BHC算法的基础上，采用热传导和质量扩散的混合算法（HHM），而不需要任何其他辅助信息或参数。此外，HHC甚至提高了冷对象的推荐准确率，涉及所谓的冷启动问题，以有效缓解对具有不同受欢迎程度的对象的推荐偏差。

2013-05-31cs.IRcs.SIphysics.soc-ph

基于图的可靠协作排名

Reliable graph-based collaborative ranking

Grank是最近提出的一种基于图的推荐方法，它使用一种新的异构信息网络来建模用户的优先级，并对其进行分析以直接推断出推荐列表。不幸的是，GRank忽略了网络中不同类型路径背后的语义，在此过程中，它可能会使用不可靠的路径，这与邻域协作排名中相似性的一般思想不一致。这种疏忽破坏了Grank生成的推荐列表的可靠性。本文旨在提出一种新的框架，可靠的基于图的协作排名，称为ReGRank，排名项目的基础上可靠的推荐路径，在协调与语义背后的不同方法在邻里协作排名。据我们所知，ReGRank是第一个用于邻域协作排名的统一框架，除了传统的基于用户的协作排名之外，还可以适用于基于偏好和基于代表的协作排名。实验结果表明，ReGRank显着提高了国家的最先进的邻域和基于图的协同排名算法。

2018-11-03cs.SI

基于潜在行为模式推理的个性化下一兴趣点推荐

Personalized Next Point-of-Interest Recommendation via Latent Behavior Patterns Inference

针对基于位置的社交网络（LBSNs），提出了一种基于位置的下一个兴趣点（POI）推荐方法。随着猜想，在不同的上下文场景下，人类表现出不同的移动模式，我们试图在这里联合建模下一个POI推荐用户的潜在行为模式的影响下。我们建议采用一个三阶张量来模拟连续的签入行为。通过将类别影响集成到移动模式中并聚合用户对兴趣点的空间偏好，所提出的模型本质上处理下一个新的兴趣点推荐问题。通过引入softmax函数将个性化马尔可夫链与潜在模式融合，提出了贝叶斯个性化排序（BPR）方法，并推导了相应的优化准则。然后使用期望最大化（EM）来估计模型参数。我们进一步开发了一个个性化的模型，考虑到个性化的移动模式下的上下文场景，以提高推荐性能。在两个大规模LBSNs数据集上进行的大量实验表明，我们的模型比几种最先进的方法有了显着的改进。

2018-05-16cs.SI

一种用于兴趣点推荐的联合两阶段时间敏感正则化协作排序模型

A Joint Two-Phase Time-Sensitive Regularized Collaborative Ranking Model for Point of Interest Recommendation

Università della Svizzera italiana（提契诺大学）；Maastricht University（马斯特里赫特大学）

基于位置的社交网络（LBSN）的流行导致了大量的用户签到数据。在LBS网络中，兴趣点推荐是满足用户需求的关键。虽然最近的工作已经探索了采用协作排名（CR）的建议的想法，很少有人尝试将时间信息的POI推荐使用CR。在这篇文章中，我们提出了一个两阶段的CR算法，结合了地理影响的POI和正则化的基础上的方差的POI流行度和用户的活动随着时间的推移。时间敏感的正则化器惩罚过去对时间更敏感的用户和POI，帮助模型在从用户-POI交互中学习的同时考虑他们的长期行为模式。此外，在第一阶段，它试图排名访问过的POI高于未访问的，并在同一时间，应用地理的影响。在第二阶段，我们的算法尝试将用户最喜欢的POI在推荐列表中排名更高。这两个阶段都采用了协作学习策略，使模型能够从两个不同的角度捕捉复杂的潜在关联。在真实数据集上的实验表明，我们提出的时间敏感的协同排名模型击败了最先进的POI推荐方法。

2019-09-16cs.CYcs.IRcs.LG

顶级$k$建议的风险意识排名

Risk Aware Ranking for Top-$k$ Recommendations

QCRI（卡塔尔计算研究所）；Akamai（阿卡迈技术公司）

给定一组用户和项目的不完整评级数据，偏好完成问题旨在估计项目子集的个性化总偏好顺序。在实际设置中，来自所估计的偏好顺序的顶部$k$项目的排名列表以偏好的降序被推荐给最终用户用于最终消费。我们分析了这个模型，并观察到，这样的排名模型的结果在次优性能时，与推荐项目的回报是不同的。我们提出了一种新的和非常有效的算法的偏好排序考虑的不确定性的项目的回报。一旦使用任何偏好学习算法获得用户的偏好分数，我们表明，使用风险寻求效用函数的项目排名的结果在最佳的排名性能。

2019-04-12cs.LGcs.SIstat.ML

个性化社交推荐-准确还是私密？

Personalized Social Recommendations - Accurate or Private?

随着最近像Facebook这样的社交网络的兴起，新形式的推荐已经成为可能--个性化的广告推荐、内容推荐，甚至是基于一个人的社交互动的新朋友和产品联系。由于推荐可能使用敏感的社交信息，因此推测这些推荐与隐私风险相关。这项工作的主要贡献是在正规化这些预期的权衡之间的准确性和隐私的个性化社会建议。在本文中，我们研究是否“社会建议”，或建议，完全基于用户的社交网络，可以在不披露敏感的链接在社交图。更准确地说，我们量化的效用损失时，现有的推荐算法进行修改，以满足一个强有力的隐私概念，称为差分隐私。我们证明了任何推荐算法的最小效用损失的下界是差异私人。我们适应两个隐私保护算法的差分隐私文献的社会建议的问题，并分析其性能的下限相比，分析和实验。我们表明，良好的私人社交推荐仅适用于社交网络中的一小部分用户或宽松的隐私参数设置。

2011-05-21cs.CRcs.DBcs.SI