Sequential Tag Recommendation
针对现有标签推荐方法未考虑用户偏好的问题,提出基于用户行为序列动态偏好的MLP4STR算法,通过纯MLP结构建模内容交互以提取用户兴趣,提升标签推荐效果。
2023-10-09 cs.IR
Recommending Items in Social Tagging Systems Using Tag and Time Information
在这项工作中,我们提出了一种新的项目推荐方法,旨在提高协同过滤(CF)在社会标签系统中使用的标签和时间的信息。我们的算法遵循两步的方法,在第一步中,一个潜在的有趣的候选项集被发现使用基于用户的CF和在第二步中,这个候选项集使用基于项目的CF排名。在这个排名步骤中,我们使用来自人类记忆理论的基本水平学习(BLL)方程来整合标签使用和时间的信息,该方程用于使用幂律遗忘函数来确定单词和标签的重用概率。作为我们的广泛的评估的结果收集的数据集从三个社会标记系统(BibSonomy,CiteULike和MovieLens)显示,使用基于标签和时间信息通过BLL方程也有助于提高排名和推荐过程中的项目,因此,可以用来实现一个有效的项目推荐,优于两个替代算法,也利用时间和基于标签的信息。
2014-06-30 cs.IR
Personalised Query Suggestion for Intranet Search with Temporal User Profiling
最近的研究已经表明使用集体用户交互数据(例如,查询日志)来为内联网搜索推荐查询修改建议。然而,大多数用于Intranet搜索的查询建议方法遵循“一刀切”的策略,即提交相同查询的不同用户将得到相同的查询建议列表。这是有问题的,因为即使对于相同的查询,不同的用户也可能具有不同的感兴趣的主题,其可能响应于用户与系统的交互而随时间改变。我们提出了一个个性化的查询建议框架,内联网搜索解决这个问题。对于每个搜索会话,我们构建两个时间用户简档:点击用户简档使用用户的点击文档和查询用户简档使用用户提交的查询。然后,我们使用这两个配置文件重新排名的非个性化的查询建议列表返回的国家的最先进的查询建议方法的内联网搜索。大规模的查询日志收集的实验结果表明,我们的个性化框架显着提高了建议查询的质量。
2017-01-09 cs.IR
Personalized Ranking for Context-Aware Venue Suggestion
在场馆推荐中,向用户提供个性化的、上下文感知的场馆推荐是非常关键的。这些建议通常基于将场所的特征与用户的偏好进行匹配,这些偏好可以从先前访问的位置收集。在本文中,我们提出了一种新的用户建模方法,它依赖于一组评分功能,使个性化的建议,场地的基础上,场地的内容和评论,以及用户的上下文。我们在TREC上下文建议跟踪数据集上进行的实验证明,我们的方法明显优于最先进的方法。
2017-05-20 cs.IR
Overcoming the Imbalance Between Tag Recommendation Approaches and Real-World Folksonomy Structures with Cognitive-Inspired Algorithms
在本文中,我们研究了当前国家的最先进的标签推荐算法和现实世界的社会标签系统的大众分类结构之间的不平衡。虽然像FolkRank这样的算法是为密集的大众分类结构设计的,但大多数社交标签系统都表现出稀疏的性质。为了克服这种不平衡,我们表明,认知启发的算法,其中模型的标签词汇的用户在一个认知合理的方式,可以是有帮助的。我们目前的方法是通过实现认知架构ACT-R的激活方程来实现这一点的,ACT-R决定了人类记忆中单元的有用性(例如,标签)。从这个意义上说,我们的长期研究目标是设计混合推荐方法,它结合了两个世界的优点,以适应当前的设置(即,稀疏对密集)。
2018-05-08 cs.IR
Personalized Recommendation via Integrated Diffusion on User-Item-Tag Tripartite Graphs
个性化推荐系统面临着准确性、多样性和新颖性的巨大挑战,特别是当数据集稀疏且缺乏用户简档、项目属性和显式评分等辅助信息时。协作标签包含有关个性化偏好和项目内容的丰富信息,因此有可能帮助提供更好的推荐。在本文中,我们提出了一个推荐算法的基础上,综合扩散的用户-项目-标签三方图。我们使用三个基准数据集,Del.icio.us,MovieLens和BibSonomy,来评估我们的算法。实验结果表明,标签信息的使用可以显着提高推荐的准确性,多样化和新颖性。
2009-04-13 cs.IR
LLM4Tag: Automatic Tagging System for Information Retrieval via Large Language Models
本文提出 LLM4Tag 自动打标系统,通过图召回、知识增强生成和置信度校准三个模块解决候选标签检索、领域知识适应和置信度量化问题,并在大规模工业数据上验证其显著优于现有方法且已在线服务数亿用户。
2025-05-06 cs.IR
Multi-Auxiliary Augmented Collaborative Variational Auto-encoder for Tag Recommendation
向项目推荐适当的标签可以促进内容组织、检索、消费和其他应用,其中混合标签推荐系统已经被用于集成协作信息和内容信息以用于更好的推荐。本文提出了一种多辅助增广协作变分自动编码器(MA-CVAE)用于标签推荐,它将项目协作信息和项目多辅助信息相耦合,内容和社交图谱,通过定义一个生成过程。具体而言,该模型使用变分自编码器(VAE)从不同的项目辅助信息中学习深度潜在嵌入,该变分自编码器通过引入由深度神经网络参数化的潜在变量来形成每个辅助信息的生成分布。此外,为了推荐新项目的标签,项目多辅助潜在嵌入被用作通过项目解码器预测每个标签的推荐概率的代理,其中重建损失被添加在训练阶段中,以通过不同的辅助嵌入来限制反馈预测的生成。此外,一个归纳变分图自动编码器的设计,新的项目节点可以推断在测试阶段,使项目社会嵌入可以利用新的项目。在MovieLens和Citeulike数据集上的实验证明了该方法的有效性。
2022-04-20 cs.IR
Context Attentive Document Ranking and Query Suggestion
我们提出了一个上下文感知的神经排序模型,利用用户的任务搜索活动,提高检索性能。特别是,一个两级层次递归神经网络被引入到学习搜索上下文表示的个人查询,搜索任务,以及相应的依赖结构,通过共同优化两个同伴检索任务:文档排序和查询建议。为了识别搜索上下文和用户正在进行的搜索活动之间的变量依赖结构,在两个层次的经常性状态的注意力。广泛的实验比较,对一组丰富的基线方法和深入的消融分析证实了我们提出的方法建模搜索上下文埋在搜索任务的价值。
2019-06-05 cs.IR
Deeper Into the Folksonomy Graph: FolkRank Adaptations and Extensions for Improved Tag Recommendations
社交标签系统中包含的信息通常被建模为用户,项目和标签之间的连接图。诸如FolkRank之类的推荐算法有可能利用数据中的复杂关系,对应于图中的多个跳。我们提出了一个深入的分析和评估的图形模型的社会标签数据,并提出新的适应和扩展的FolkRank,以提高标签推荐。我们强调了广泛使用的大众分类模型所做的隐含假设,并提出了一种替代的和更准确的数据图形表示。我们对FolkRank的扩展通过将内容数据纳入算法来解决新项目问题,并显着改善未修剪数据集的预测结果。我们的调整解决了迭代权重扩散计算中的问题,这些问题可能会阻碍FolkRank利用深度图作为信息源的能力。此外,我们评估了考虑图的每个更深层次的好处,并提出了关于一般社会标记数据的特征的重要见解。我们的研究结果表明,传统的权重传播方法的基本假设,即在图中的接近总是意味着一个积极的关系,并不适用于社会标签领域。
2013-10-05 cs.IR
Attention-based Hierarchical Neural Query Suggestion
查询建议帮助搜索引擎的用户精炼他们的查询。以前的工作主要集中在查询建议,将直接观察到的功能,如查询同现和语义相似性。这些特征的结构通常是手动设置的,因此查询和用户之间隐藏的依赖关系可能会被忽略。我们提出了一个AHNQS模型,它结合了一个层次结构的会话级神经网络和用户级神经网络模型的短期和长期的搜索历史的用户。注意力机制用于捕获用户偏好。我们量化了AHNQS相对于AOL查询日志数据集上最先进的基于RNN的查询建议基线的改进,MRR@10和Recall@10分别比最先进的水平提高了21.86%和22.99%;对于短会话来说,改进尤其大。
2018-05-08 cs.IR
Dynamic inference of user context through social tag embedding for music recommendation
在给定时间的音乐收听偏好取决于广泛的上下文因素,例如用户的情绪状态,收听时间的位置和活动,一周中的哪一天,一天中的时间等,因此在推荐音乐时考虑这些因素非常重要。然而,这是非常困难的开发上下文感知的推荐系统,考虑这些因素,既因为检测其中的一些,如情绪状态的困难,因为从包括许多因素,如稀疏性问题,在上下文预过滤的缺点。这项工作涉及的建议的方法,用于检测的用户上下文状态时,听音乐的音乐项目的社会标签的基础上。允许在多个维度中描述项目的社交标记的固有特性可以被利用来捕获用户收听会话中的许多上下文维度。在每个会话中播放的第一个项目的标签的嵌入用于表示该会话的上下文。然后根据用户偏好和从标签嵌入计算的项目的相似性生成推荐。社会标签在许多推荐系统中得到了广泛的应用,然而,据我们所知,它们几乎没有被用于动态地推断上下文状态。
2021-09-23 cs.IR
A Collaborative Ranking Model with Multiple Location-based Similarities for Venue Suggestion
在基于位置的社交网络上,推荐活动场所是满足用户需求的关键。最近的研究探索了采用协同排名(CR)的建议,结合学习排序和协同过滤的想法。然而,CR遭受稀疏性问题,主要是因为它关联相似的用户的基础上,在他们的签入历史中的场地的精确匹配。尽管协同过滤的研究已经表明,考虑辅助信息,如地理影响,有助于减轻模型的稀疏性问题,在CR相同的方向仍然需要探索。在这项工作中,我们提出了一个CR框架,专注于排名列表的顶部,同时在学习模型参数时集成任意数量的场馆之间的相似性函数。我们进一步介绍了三个例子的相似性措施的基础上场馆的内容和位置。将跨场地相似性度量引入模型中增强了用户之间的潜在关联,因为在将用户彼此关联时也考虑了相似场地。我们在TREC上下文建议数据集上的实验表明,我们提出的CR模型击败了其他最先进的场地建议方法。
2018-07-13 cs.IR
AirTOWN: A Privacy-Preserving Mobile App for Real-time Pollution-Aware POI Suggestion
AirTOWN是一款保护隐私的移动应用,结合实时AQI数据与用户偏好,利用协同过滤和联邦学习,提供动态适应城市空气质量的健康导向POI推荐。
2025-01-23 cs.IR
A Random Walk Model for Item Recommendation in Folksonomies
社会化标记作为一种新颖的信息组织和发现方法,已被广泛应用于许多Web2.0应用中。标签提供了一种新的信息类型,可以被推荐系统利用。然而,三元<用户,标签,项目>交互数据的稀疏性限制了基于标签的协同过滤的性能。提出了一种基于随机游走的算法来处理社会标签数据中的稀疏性问题,该算法通过用户与标签的交互来捕捉用户与项目之间潜在的传递性关联。特别是,两个平滑策略,提出了以用户为中心和以项目为中心的角度。在真实数据集上的实验证明了该算法的有效性。
2013-09-27 cs.IR
A Hierarchical Recurrent Encoder-Decoder For Generative Context-Aware Query Suggestion
用户可能会努力为他们的信息需求制定一个适当的文本查询。搜索引擎通过提供查询建议来帮助用户。为了保留原始搜索意图,建议应该是上下文感知的,并考虑到用户发出的先前查询。由于数据的稀疏性,实现上下文感知具有挑战性。我们提出了一个概率的建议模型,能够考虑到以前的查询序列的任意长度。我们的新的分层经常性的编码器-解码器架构允许该模型是敏感的查询顺序的上下文中,同时避免数据稀疏。此外,我们的模型可以建议罕见的或长尾的查询。所产生的建议是合成的,并且使用计算成本低的解码技术一次一个词地进行采样。这与依赖于机器学习管道和手工设计的特征集的当前合成建议模型形成对比。结果表明,它优于现有的上下文感知方法在下一个查询预测设置。除了查询建议,我们的模型是通用的,足以用于各种其他应用程序。
2015-07-08 cs.IR cs.NE
Modeling Cognitive Processes in Social Tagging to Improve Tag Recommendations
随着Web 2.0的出现,标签查询器已经成为重要的工具,其目的是支持用户为他们的书签资源查找描述性标签。虽然目前的算法在标签预测准确性方面提供了良好的结果,但它们通常是以数据驱动的方式设计的,因此,缺乏对人们将标签分配给资源时所起作用的认知过程的透彻理解。本文旨在对社会标签中的这些认知动力学进行建模,以便改进标签推荐并更好地理解其底层过程。作为这个方向的第一次尝试,我们已经实现了个体微观层面(例如,对资源或时间动态进行分类)和集体宏观级(例如,模仿其他用户的标签)以新颖的标签推荐算法的形式进行处理。从BibSonomy,CiteULike和Delicious收集的数据集的初步结果表明,我们提出的方法可以优于当前最先进的算法,如协同过滤,FolkRank或成对交互张量因子分解。我们的结论是,推荐系统可以通过纳入人类认知的相关原则进行改进。
2018-05-30 cs.HC cs.IR
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。
2012-03-01 cs.IR cs.SI
Evaluating Tag Recommendations for E-Book Annotation Using a Semantic Similarity Metric
Know-Center GmbH(知识中心有限公司);HGV GmbH(HGV有限公司);Graz University of Technology(格拉茨技术大学)
在本文中,我们提出了我们的工作,以支持出版商和编辑在寻找描述性标签的电子书,通过标签推荐。我们提出了一个混合标签推荐系统的电子书,它利用搜索查询条件从亚马逊用户和电子书元数据,这是由出版商和编辑分配。我们的想法是模仿亚马逊用户的词汇表,他们搜索和评论电子书,并将这些搜索词与编辑器标签结合起来,形成一种混合标签推荐方法。总的来说,我们评估了19个标签推荐算法对亚马逊用户的评论内容,这反映了读者的词汇。我们的研究结果表明,我们可以提高电子书标签推荐系统的性能,无论是关于标签推荐的准确性,多样性,以及一个新的语义相似性度量,我们也提出了在本文中。
2019-08-12 cs.CL cs.IR
The Impact of Semantic Context Cues on the User Acceptance of Tag Recommendations: An Online Study
在本文中,我们提出了一个在线研究的结果,旨在阐明语义上下文线索对用户接受标签推荐的影响。因此,我们与17名大学员工进行了一个工作集成的社会书签场景,以比较用户接受的上下文感知的标签推荐算法称为3Layers与用户接受一个简单的基于流行度的基线。在这种情况下,我们验证和验证的假设,语义上下文线索有更高的影响,用户接受的标签建议,在一个合作的标签设置比在一个单独的标签设置。通过本文,我们对在线推荐研究的稀疏线做出了贡献。
2018-03-06 cs.HC cs.IR
Tag Recommendation for Online Q&A Communities based on BERT Pre-Training Technique
Sharif University of Technology(谢里夫理工大学)
首次将BERT预训练技术应用于在线问答和开源社区的标签推荐任务,提出TagBERT模型,在freecode数据集上准确率优于深度学习等基线方法,并解决了增加推荐数量导致性能下降的稳定性问题。
2020-10-10 cs.CL cs.IR
Leveraging tagging and rating for recommendation: RMF meets weighted diffusion on tripartite graphs
推荐系统是解决信息过载问题的一种有效方法。然而,性能仍然是有限的,由于极端稀疏的评级数据。随着Web 2.0的普及,社会化标签系统提供了更多的外部信息来提高推荐准确率。尽管一些现有的方法将矩阵分解模型与标签的共现属性和上下文相结合,但是它们忽略了标签稀疏性的问题,而没有通常关联的标签问题,这也会导致不准确的推荐。因此,本文提出了一种新的混合协同过滤模型WUDiff_RMF,该模型通过结合加权用户扩散CF算法(WUDiff)对正则矩阵分解(RMF)模型进行改进,该算法从加权用户-项目-标签图中获取相似用户的信息。该模型旨在捕捉用户-项目-标签三方网络的度相关性,以提高推荐性能。在四个真实数据集上进行的实验表明,我们的方法在推荐的准确性方面明显优于已经广泛使用的方法。此外,实验结果表明,WUDiff_RMF可以缓解数据稀疏性,特别是在用户的评分和标签很少的情况下。
2016-11-01 cs.IR cs.SI
Harnessing the power of Social Bookmarking for improving tag-based Recommendations
社会书签和标签已经出现了一个新时代的用户协作。协作标记允许用户注释他们喜欢的内容,通过适当的算法可以提供有用的产品推荐。今天的情况是,基于标签的算法与基于评级的推荐机制互补,以预测用户对各种产品的喜好。在本文中,我们提出了一种替代算法计算个性化的产品推荐,专门使用的用户提供的标签。我们的方法是基于使用用户提供的标签的语义相似性聚类成组的类似意义的想法。然后,将用户注释能力的一些可测量特征与其他度量(如用户相似度)相结合,用于计算预测。从现实世界的协作标记系统,citeUlike使用的数据的评估,证实了我们的方法优于基线向量空间模型,以及其他国家的最先进的算法,更准确地预测用户的喜好。
2014-10-19 cs.IR cs.SI
Semantic Grounding Strategies for Tagbased Recommender Systems
推荐系统通常根据推荐项目或用户之间的相似性进行操作。基于标签的推荐系统利用标签的相似性。然而,标签大多是免费的用户输入的短语。因此,在没有语义基础的情况下计算的相似性可能导致不太相关的建议。在本文中,我们研究了用于标签相似性演算的语义基础。我们展示了一个全面的分析,从不同领域的20个本体的语义基础。研究还发现,目前可用的OWL本体非常狭窄,相似扩展的百分比相当小。WordNet的得分稍高,因为它更广泛,但不多,因为它不支持几个语义关系。此外,该研究表明,即使有如此多的扩展,建议也会发生很大变化。
2011-11-07 cs.IR cs.SI
DeepTagRec: A Content-cum-User based Tag Recommendation Framework for Stack Overflow
在本文中,我们开发了一个基于内容和用户的深度学习框架DeepTagRec,用于在Stack Overflow上推荐合适的问题标签。所提出的系统从问题标题和主体中学习内容表示。随后,从用户和标签之间的异构关系的学习表示融合的内容表示的最终标签预测。在一个包含50万个问题帖子的超大规模数据集上,DeepTagRec击败了所有基线;特别是,它显著优于表现最好的基线T agCombine,在precision@3和recall@10方面分别实现了60.8%和36.8%的总体增益。DeepTagRec在精确k精度和前k精度方面也分别比TagCombine提高了63%和33.14%
2019-03-10 cs.IR cs.SI
LFGCF: Light Folksonomy Graph Collaborative Filtering for Tag-Aware Recommendation
School of Information;Electronic Engineering(Sussex Artificial Intelligence Institute), Zhejiang Gongshang Univeristy, Hangzhou, China;School of Statistics
标签感知推荐是根据用户的标签行为为用户预测个性化的项目列表。它对于许多具有标记功能的应用程序(如last.fm或movielens)至关重要。近年来,人们利用图卷积网络(GCN)对标签感知推荐系统(TRS)进行了大量的研究,GCN已成为通用推荐系统的一个新的发展方向。然而,一些解决方案是直接从GCN继承的,没有理由,这是难以缓解的稀疏性,模糊性和冗余的标签引入的问题,从而增加了训练的难度和降低推荐性能。在这项工作中,我们的目标是简化GCN的设计,使其更简洁的TRS。我们提出了一种新的标签感知推荐模型命名为轻Folksonomy图协同过滤(LFGCF),它只包括必要的GCN组件。具体来说,LFGCF首先从用户分配标签和项目获得标签的记录中构建Folksonomy图。然后,我们利用简单的聚合设计来学习Folksonomy图上的高阶表示,并使用在几个层上学习的嵌入的加权和进行信息更新。我们共享标签嵌入,以弥合用户和项目之间的信息差距。此外,为了更好地刻画用户偏好和项目特征,提出了一种正则化函数TransRT。在三个真实世界数据集上进行的广泛的超参数实验和消融研究表明,LFGCF使用更少的参数,并且显著优于大多数标签感知top-N建议的基线。
2022-08-06 cs.AI cs.IR cs.SI
Extending Term Suggestion with Author Names
术语建议或推荐模块可以通过将用户的个人词汇映射到数字图书馆的专业词汇上来帮助用户制定他们的查询。当我们检查社会科学数字图书馆Sowiport的实际用户查询时,我们可以看到近三分之一的用户明确地寻找作者姓名而不是术语。一般的术语解释者忽略了这一事实。通过采用多元表示的思想,我们可以证明,在标准化的IR评估设置中,我们可以通过向查询中添加主题相关的作者姓名来显着提高检索性能。只有当查询额外扩展了同义词词典术语时,才会出现这种积极效果。仅仅将作者姓名添加到查询中,我们经常会观察到查询偏移,这会导致更差的结果。
2012-06-11 cs.DL cs.IR
On Content-Based Recommendation and User Privacy in Social-Tagging Systems
基于注释和评级的推荐系统和内容过滤方法基本上依赖于用户通过他们的动作表达他们的偏好和兴趣,以便提供个性化内容。这种用户集体参与的活动被称为社会标签。虽然它为语义Web上的应用程序互操作性开辟了无数新的可能性,但它也带来了新的隐私威胁。社交标签包括通过使用自由文本标签(即标签)来描述在线或在线资源,因此将用户的个人资料和活动暴露给隐私攻击。标签伪造是一种隐私增强技术,包括为不反映用户实际偏好的类别或资源生成标签。标签伪造通过修改用户的个人资料,可能会对推荐系统的质量产生负面影响,从而在一定程度上保护用户隐私,但代价是效用损失。因此,标签伪造对基于内容的推荐的影响,在现实世界中的应用场景中,不同的伪造策略进行评估,并测量和比较随之而来的效用损失。
2016-05-20 cs.CR cs.CY cs.IR
High Quality Related Search Query Suggestions using Deep Reinforcement Learning
LinkedIn(领英)
“高质量相关搜索查询建议”任务旨在推荐真实、准确、多样、相关和吸引人的搜索查询。获得大量查询质量的人工注释是昂贵的。关于监督查询建议模型的先前工作遭受选择和暴露偏差,并且依赖于稀疏和嘈杂的即时用户反馈(例如,点击),导致低质量的建议。用于使用来自搜索结果的术语来重构查询的强化学习技术对于大规模行业应用具有有限的可扩展性。为了推荐高质量的相关搜索查询,我们训练了一个深度强化学习模型来预测用户接下来要输入的查询。奖励信号由长期会话用户反馈、句法相关度和生成查询的自然度估计组成。在基线监督模型上,我们提出的方法在推荐多样性(3%),下游用户参与度(4.2%)和每句单词重复率(82%)方面取得了显着的相对改善。
2021-08-10 cs.AI cs.IR cs.LG
Twitter Hash Tag Recommendation
University of Minnesota(明尼苏达大学)
Twitter等微博客服务的普及导致了内容注释策略(如hashtag)的使用增加。主题标签为用户提供了一种标记机制,以帮助组织,分组和创建其帖子的可见性。这是一个简单的想法,但在实践中对用户来说可能是一个挑战,这会导致不频繁的使用。在本文中,我们将研究在创建新帖子时推荐标签的各种方法,以鼓励更广泛的采用和使用。标签推荐带来了许多挑战,包括处理大量的流数据和小而嘈杂的内容。我们将研究预处理方法来减少数据中的噪声,并基于流行的分类算法确定一种有效的主题标签推荐方法。
2015-01-31 cs.IR cs.LG
Keyword Embeddings for Query Suggestion
Linknovate Science(Linknovate科学公司);University of A Coruña(拉科鲁尼亚大学)
目前,搜索引擎用户普遍依赖于查询建议来改善他们的初始输入。当前的系统非常擅长向用户的查询推荐词汇调整或拼写更正。然而,他们往往很难建议语义相关的关键字给定用户的查询。在某些任务中,如法律检索或学术检索,详细查询的构造是至关重要的。在这些情况下,关键字建议方法是至关重要的,以指导用户在查询公式。本文提出了两个新的模型,用于科学文献训练的关键词建议任务。我们的技术适应Word2Vec和FastText的架构,通过利用文档的关键字共现来生成关键字嵌入。除了这些模型,我们还提出了一个专门定制的负采样方法,利用关键字如何出现在学术出版物。我们设计了一个排名为基础的评估方法,以下两个已知的项目和特设的搜索场景。最后,我们评估了我们的建议对国家的最先进的词和句子嵌入模型显示出相当大的改善基线的任务。
2023-01-23 cs.CL cs.IR
TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);RealAI;Tsinghua University(清华大学)
基于会话的推荐技术是一种基于匿名会话预测用户行为的推荐技术。已经出现了许多研究,通过研究会话中项目的时间转换,将会话建模为序列或图。然而,这些方法将会话压缩成一个固定的表示向量,而不考虑要预测的目标项。考虑到目标项目和用户兴趣的多样性,固定向量将限制推荐模型的表示能力。提出了一种新的基于会话的目标注意图神经网络(TAGNN)推荐模型。在TAGNN中,目标感知注意自适应地激活不同的用户兴趣相对于不同的目标项目。学习的兴趣表示向量随目标项目的不同而变化,大大提高了模型的表达能力。此外,TAGNN利用图神经网络的能力来捕获会话中的丰富项目转换。在真实世界数据集上进行的综合实验证明了其优于最先进的方法。
2020-05-06 cs.IR cs.LG
Adversarial Learning for Personalized Tag Recommendation
Illinois Institute of Technology(伊利诺伊理工学院);University of Central Florida(中佛罗里达大学);National University of Singapore(新加坡国立大学)
由于深度卷积神经网络的成功和大规模数据集的可用性,我们最近在图像分类方面取得了巨大进展。现有的研究大多集中在单标签图像分类上。然而,通常有多个标签与图像相关联。现有的多标签分类工作主要是基于实验室策划的标签。人们为他们的图像分配标签的方式不同,这主要是基于他们的兴趣和个人标记行为。在本文中,我们解决了个性化标签推荐的问题,并提出了一个可以在大规模数据集上训练的端到端深度网络。用户偏好在网络中以无监督的方式学习,其中网络对用户偏好和视觉编码进行联合优化。用户偏好和视觉编码的联合训练允许网络有效地将视觉偏好与标记行为相结合,以获得更好的用户推荐。此外,我们还提出了使用对抗学习,它强制网络预测类似于用户生成的标签的标签。我们在两个不同的大规模和公开可用的数据集,YFCC 100 M和NUS-WIDE上证明了所提出的模型的有效性。与基线和其他最先进的方法相比,所提出的方法在两个数据集上都实现了显着更好的性能。该代码可在https://github.com/vyzuer/ALTReco上公开获取。
2020-04-01 cs.CV cs.IR cs.LG
Graph-Based Recommendation System Enhanced with Community Detection
University of Tabriz(大不里士大学);Urmia University(乌尔米亚大学)
针对自由标签语义模糊和兴趣随时间变化的问题,本文结合词汇相似性、带时间因素的共现标签、图建模与社区检测生成推荐,并在两个公开数据集上使召回率和精确率平均提升5%和7%。
2023-07-27 cs.AI cs.CL cs.IR