A Simple Convolutional Generative Network for Next Item Recommendation
Tencent(腾讯);Telefonica Research(西班牙电信研究院);University of Glasgow(格拉斯哥大学);National University of Singapore(新加坡国立大学)
卷积神经网络(CNN)最近被引入到基于会话的下一个项目推荐领域。用户在会话(或序列)中与之交互的过去项目的有序集合被嵌入到二维潜在矩阵中,并被视为图像。然后将卷积和池化操作应用于映射的项嵌入。在本文中,我们首先研究了典型的基于会话的CNN推荐,并表明生成模型和网络架构是次优的建模项目序列中的长程依赖关系时。为了解决这些问题,我们引入了一个简单但非常有效的生成模型,该模型能够从短期和长期项目依赖关系中学习高级表示。所提出的模型的网络架构由\emph{holed}卷积层的堆栈形成,其可以有效地增加感受野而不依赖于池化操作。另一个贡献是在推荐系统中有效地使用剩余块结构,这可以简化更深层次网络的优化。所提出的生成式模型在下一个项目推荐任务中以更少的训练时间达到最先进的准确性。因此,它可以作为一个强大的推荐基线,在未来击败,特别是当有很长的用户反馈序列。
2018-11-29 cs.IR cs.LG stat.ML
Item Cold Start Recommendation via Adversarial Variational Auto-encoder Warm-up
Tencent News(腾讯新闻)
随机初始化的项目ID嵌入和经过良好训练的暖项目ID嵌入之间的差距使得冷项目难以适应推荐系统,该推荐系统是在历史暖项目数据上训练的。为了缓解新项目推荐的性能下降,新项目ID嵌入的分布应该接近历史热门项目的分布。为了实现这一目标,我们提出了一个对抗变分自动编码器预热模型(AVAEW)来为冷项生成预热项ID嵌入。具体来说,我们开发了一个条件变分自动编码器模型,以利用项目的边信息来生成预热项目ID嵌入。特别是,我们引入了一个对抗模块来加强热身项目ID嵌入分布和历史项目ID嵌入分布之间的对齐。我们通过在公开数据集上的大量离线实验和在真实世界的大规模新闻推荐平台上的在线A/B测试,证明了所提出的方法的有效性和兼容性。
2023-02-28 cs.AI cs.IR cs.LG
Do LLMs Benefit from User and Item Embeddings in Recommendation Tasks?
University of British Columbia(不列颠哥伦比亚大学);RBC Borealis
本文提出通过投影用户和物品嵌入到LLM token空间,提升推荐性能,实现传统推荐系统与LLM的结合。
2026-01-08 cs.LG
Optimal Sequential Recommendations: Exploiting User and Item Structure
University of California, Davis(加利福尼亚大学戴维斯分校);Massachusetts Institute of Technology(麻省理工学院)
研究在线推荐系统,提出一种同时利用用户和物品聚类结构的算法,并通过信息论下界证明其接近最优,揭示了仅使用单一结构的次优性。
2025-04-28 cs.IT cs.LG math.IT
Mining Latent Structures for Multimedia Recommendation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Artificial Intelligence Research, Chinese Academy of Sciences(中国科学院人工智能创新研究院)
多媒体内容在现代网络时代占据主导地位。调查用户如何与多模态项目进行交互是快速发展的推荐系统中持续关注的问题。以前的大部分工作集中在建模用户与项目的交互与多模态功能包括作为边信息。然而,该方案不是很好地设计用于多媒体推荐。具体来说,只有协作项目项目关系隐式建模通过高阶项目用户项目关系。考虑到项目是与丰富的内容在多个模态,我们认为,潜在的语义项目项目的结构,这些多模态的内容可能是有益的学习更好的项目表示和进一步提高推荐。为此,我们提出了一个潜在的结构挖掘方法的多模态reCommEndation,我们简称为格。具体来说,在所提出的LATTICE模型中,我们设计了一个新的模态感知结构学习层,它学习每个模态的项-项结构,并聚合多个模态以获得潜在项图。基于学习的潜图,我们执行图卷积,以显式地将高阶项亲和力注入项表示中。然后,这些丰富的项目表示可以插入到现有的协同过滤方法中,以做出更准确的推荐。在三个真实数据集上的大量实验证明了我们的方法优于最先进的多媒体推荐方法,并验证了从多模态特征中挖掘潜在项-项关系的有效性。
2021-07-21 cs.IR cs.LG cs.MM
Implicit ZCA Whitening Effects of Linear Autoencoders for Recommendation
Hokkaido University(北海道大学)
该研究揭示推荐系统中线性自编码器的对偶解对物品特征向量存在隐式ZCA白化效应,验证了其用于低维物品嵌入相似度估计的正确性,实验表明白化低维嵌入有效。
2023-08-15 cs.IR cs.LG
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
Sequential Item Recommendation in the MOBA Game Dota 2
University of Würzburg(维尔茨堡大学)
多人在线竞技场(MOBA)游戏,如Dota 2,每年吸引数十万玩家。尽管玩家基数很大,但吸引新玩家仍然很重要,以防止游戏社区变得不活跃。然而,进入MOBA游戏通常要求很高,需要玩家同时学习许多技能。成功的一个重要因素是购买正确的物品,这取决于各种游戏因素,如已经购买的物品,团队组成或可用资源。推荐系统可以通过减少选择合适物品所需的脑力劳动来支持玩家,例如,新的球员或球员返回游戏后,较长的休息时间,专注于游戏的其他方面。由于顺序项目推荐(SIR)已被证明在各个领域(例如电子商务、电影推荐或播放列表延续)都是有效的,因此我们将探讨知名的SIR模型在Dota 2购买推荐环境中的适用性。为了促进这项研究,我们收集、分析和发布了Dota-350 k,这是一个基于最近Dota 2比赛的新的大型数据集。我们发现SIR模型可以有效地用于Dota 2中的项目推荐。我们的研究结果表明,考虑购买顺序的模型是最有效的。与其他领域相比,我们发现基于RNN的模型在Dota-350 k上的性能优于最近基于Transformer的架构。
2022-01-17 cs.IR cs.LG
Improving Recommendation Relevance by simulating User Interest
Salesforce(赛富时)
大多数(如果不是所有的话)在线项目到项目推荐系统依赖于项目之间相似性的距离(排名)的估计。对于在线推荐系统,这种相似性度量的时间敏感性是非常重要的。我们观察到,建议“新近”可以直接和透明地保持迭代减少排名的非活动项目。本文简要总结了算法的发展基于这一自我解释的观察。这项工作背后的基本思想是在线推荐系统的专利。
2023-02-03 cs.IR cs.LG cs.NA
Enhancing Item Tokenization for Generative Recommendation through Self-Improvement
Snap Inc.(斯奈普公司);Yale University(耶鲁大学);Cardiff University(卡迪夫大学)
针对生成式推荐中物品标记化与LLM内部模式不一致的问题,提出一种自改进标记化方法,通过在训练中动态调整外部生成的标记,实现即插即用的性能提升,推荐准确率平均提高8%。
2024-12-22 cs.IR cs.LG
CB2CF: A Neural Multiview Content-to-Collaborative Filtering Model for Completely Cold Item Recommendations
Microsoft(微软);Tel Aviv University(特拉维夫大学);Technion(以色列理工学院)
在推荐系统的研究中,推荐算法通常被描述为协同过滤(CF)或基于内容(CB)。CF算法使用用户偏好的数据集进行训练,而CB算法通常基于项目配置文件。这些方法利用不同的数据源,因此产生的推荐项目通常非常不同。本文介绍了CB2CF,一种深度神经多视图模型,作为从项目内容到其CF表示的桥梁。CB2CF是一种真实世界的算法,专为处理全球约10亿用户的Microsoft Store服务而设计。CB2CF在电影和应用程序推荐上进行了演示,在完全冷的项目上,它的表现优于另一种CB模型。
2019-09-21 cs.CL cs.IR cs.LG
An Item Recommendation Approach by Fusing Images based on Neural Networks
Wuhan University of Technology(武汉理工大学)
网络中存在着丰富的信息格式,如评分、文本、图像等,它们代表着用户偏好的不同方面。在推荐领域,如何有效地利用这些数据已成为一个难题。随着神经网络的迅速发展,多模态推荐方法的研究已成为一个重要的方向。在现有的推荐系统中,数字评分、项目描述和评论是研究者考虑的主要信息。然而,项目的特征可能会影响用户的偏好,这很少用于推荐模型。在这项工作中,我们提出了一种新的模型,将视觉因素预测的人的喜好,即MF-VMLP,基于神经协同过滤(NCF)的最新发展。首先,我们通过预先训练的卷积神经网络(CNN)模型获得视觉呈现。为了获得潜在向量和视觉向量之间的非线性交互,我们提出利用多层感知器(MLP)进行学习。此外,MF和MLP的结合,实现了用户和项目之间的协同过滤推荐。我们的实验进行亚马逊的公共数据集的实验验证和均方根误差(RMSE)作为评估指标。在真实数据集上的实验结果表明,该模型在一定程度上提高了推荐性能。
2019-07-04 cs.IR cs.LG
GLIMG: Global and Local Item Graphs for Top-N Recommender Systems
Nanyang Technological University(南洋理工大学);Chongqing University(重庆大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心);Singapore Institute of Manufacturing Technology(新加坡制造技术研究院)
基于图的推荐模型对于top-N推荐系统工作得很好,因为它们能够捕捉实体之间的潜在关系。然而,现有的方法大多只构建了一个单一的全局项目图的所有用户共享和遗憾的是,忽略了不同的用户组之间的不同口味。受局部推荐模型成功的启发,本文首次尝试研究多个局部项图以及基于图的推荐模型的全局项图。我们认为,全球和局部图上的推荐优于一个单一的全球图或多个局部图。具体来说,我们提出了一种新的基于图的推荐模型名为GLIMG(全球和本地IteM图),它同时捕捉全球和本地用户的口味。通过将全局图和局部图集成到自适应半监督学习模型中,用户对项目的偏好在全局和局部传播。在真实数据集上的大量实验结果表明,我们提出的方法在前N个推荐任务上始终优于最先进的同行。
2021-08-11 cs.IR cs.LG
Graph Collaborative Signals Denoising and Augmentation for Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Amazon Ads(亚马逊广告);Beihang University(北京航空航天大学);University of California, Davis(加州大学戴维斯分校)
本文提出 GraphDA,通过 top-K 采样去噪用户-物品交互矩阵,并增广用户-用户与物品-物品相关性,以提升图协同过滤在交互丰富和稀疏场景下的推荐性能。
2023-04-10 cs.AI cs.IR cs.LG
Learning Compatibility Across Categories for Heterogeneous Item Recommendation
University of California, San Diego(加州大学圣迭戈分校)
识别项目之间的关系是在线推荐系统的一项关键任务,以帮助用户发现功能互补或视觉兼容的项目。在服装推荐等领域,这项任务特别具有挑战性,因为一个成功的系统应该能够处理大量的项目,它们之间的大量关系,以及涉及的高维和语义复杂的特征。此外,人类对“兼容性”的概念不仅仅是相似性:对于两件兼容的物品-无论是牛仔裤和T恤,还是笔记本电脑和充电器-它们应该在某些方面相似,但在其他方面系统地不同。在本文中,我们提出了一种新的方法,MPEG4,学习产品推荐设置中的项目之间的复杂和异构的关系。最近,已经开发了可扩展的方法,通过在所涉及的产品的内容之上学习相似性度量来解决这一任务。在这里,我们的方法放松了先前工作中固有的度量假设,并对“相关性”的多个本地化概念进行建模,以揭示相关项目应该系统地相似和系统地不同的方式。定量分析表明,我们的系统在大规模兼容性预测任务上实现了最先进的性能,特别是在相关项目之间存在大量异质性的情况下。定性,我们证明了更丰富的概念的兼容性,可以学习超越相似性,我们的模型可以有效地建议异构内容。
2016-09-29 cs.CV cs.IR cs.LG
Zero-shot Item-based Recommendation via Multi-task Product Knowledge Graph Pre-Training
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Salesforce AI Research(赛富时人工智能研究院)
针对零样本物品推荐,提出基于产品知识图谱的多任务预训练方法,通过四个预训练任务和任务导向适应层解决关系建模与领域差异,在18个市场数据集上验证有效性。
2023-05-12 cs.AI cs.IR cs.LG
Wasserstein Collaborative Filtering for Item Cold-start Recommendation
The Chinese University of Hong Kong(香港中文大学);Tencent Quantum Lab(腾讯量子实验室);Tsinghua-Berkeley Shenzhen Institute(清华-伯克利深圳学院)
项目冷启动问题严重限制了协同过滤(CF)方法的推荐性能时,新的项目没有或很少的互动。为了解决这个问题,许多现代互联网应用程序提出预测一个新的项目的互动从拥有的内容。然而,很难设计和学习项目的交互历史和相应内容之间的映射。在本文中,我们应用Wasserstein距离来解决项目冷启动问题。给定项目的内容信息,我们可以计算之间的相似性的互动项目和冷启动的,使用户的偏好冷启动项目可以推断通过最小化的Wasserstein距离分布在这两种类型的项目。我们进一步采用CF的思想,提出Wasserstein CF(WCF),以提高冷启动项目的推荐性能。实验结果表明,WCF的优越性,国家的最先进的方法。
2019-09-10 cs.IR cs.LG stat.ML
Feature-based factorized Bilinear Similarity Model for Cold-Start Top-n Item Recommendation
University of Minnesota(明尼苏达大学);Samsung Research America(三星美国研究院)
向现有用户推荐新项目由于缺乏用户对这些项目的过去偏好而仍然是一个具有挑战性的问题。基于项目特征的用户个性化非协作方法可以用来解决该项目的冷启动问题。这些方法依赖于目标项目和用户先前偏好项目之间的相似性。这些方法在基于项目特征计算相似度时,忽略了项目特征之间的相互作用,将它们独立考虑。对特征之间的交互进行建模可能是有帮助的,因为与独立考虑特征的情况相比,当一起考虑时,一些特征提供了关于项目相关性的更强信号。为了解决这个重要的问题,在这项工作中,我们引入了基于搜索的因子分解双线性相似性模型(FBSM),它学习因子分解双线性相似性模型的TOP-n推荐的新项目,给定的信息,用户在过去的偏好以及这些项目的特点。我们对基准数据集进行了广泛的实证评估,我们发现,所提出的FBSM方法在推荐性能方面优于传统的非协作方法。此外,该方法还从数据中学习项目特征之间的有见地的交互作用,从而深入了解这些交互作用如何有助于个性化推荐。
2019-04-22 cs.IR cs.LG stat.ML
Recommendation under Capacity Constraints
University of Minnesota(明尼苏达大学);Netflix
在本文中,我们研究了常见的情况下,每个候选项目的推荐是由一个最大容量,即,兴趣点(POI)中的座位数或物品库存的大小。尽管在各种设置中的能力约束下推荐项目的任务的流行,据我们所知,没有一个已知的推荐方法被设计为尊重能力约束。为了缩小这一差距,我们扩展了三种最先进的潜在因素推荐方法:概率矩阵分解(PMF),地理矩阵分解(GeoMF),和baidu个性化排名(BPR),以优化推荐精度和预期项目使用率,尊重容量限制。我们介绍了有用的概念,用户倾向于听和项目容量。我们的实验结果在现实世界的数据集,无论是项目推荐和兴趣点推荐领域,突出了我们的方法的好处,在容量限制的建议设置。
2017-03-12 cs.IR cs.LG stat.ML
Multi-Modal Adversarial Autoencoders for Recommendations of Citations and Subject Labels
Kiel University(基尔大学);ZBW – Leibniz Information Centre for Economics(ZBW——莱布尼茨经济信息中心)
我们提出了用于推荐的多模态对抗性自动编码器,并在两个不同的任务上对其进行了评估:引用推荐和主题标签推荐。我们分析了对抗正则化,稀疏性和不同输入方式的影响。通过进行408个实验,我们证明了对抗正则化始终提高了自动编码器的推荐性能。然而,我们证明,这两个任务不同的项目共现的语义在这个意义上,项目共现类似于相关性的情况下引用,但意味着多样性的情况下,主题标签。我们的研究结果表明,提供部分项目集作为输入是有帮助的,当项目同现相似的相关性。因此,当面对一个新的推荐任务时,考虑项目共现的语义对于选择合适的模型是至关重要的。
2019-07-22 cs.IR 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
Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users
National University of Singapore(新加坡国立大学);University of Virginia(弗吉尼亚大学);Kuaishou Inc.(快手公司)
像协同过滤这样的静态推荐方法受到为冷启动用户执行实时个性化的固有限制。在线推荐,例如,多臂强盗的方法,解决了这个问题,通过交互式探索用户的喜好在线和追求的探索-开发(EE)权衡。然而,现有的基于Bandit的方法对推荐行为建模是均匀的。具体而言,它们只将物品视为手臂,无法处理物品属性,而物品属性自然提供了用户当前需求的可解释信息,可以有效地过滤掉不需要的物品。在这项工作中,我们考虑了冷启动用户的会话推荐,其中系统可以交互式地询问用户的属性并向用户推荐项目。最近的一项工作研究了这一重要情况。然而,它采用了一个手工制作的函数来决定何时询问属性或提出建议。属性和项目的这种单独建模使得系统的有效性高度依赖于手工函数的选择,从而给系统带来脆弱性。为了解决这个问题,我们无缝地统一属性和项目在同一个手臂空间,并实现其EE权衡自动使用汤普森采样的框架。我们的会话汤普森采样(ConTS)模型通过选择具有最大奖励的手臂来玩,整体解决了会话推荐中的所有问题。在三个基准数据集上进行的大量实验表明,ConTS在成功率和平均会话轮数两个指标上都优于最先进的方法会话UCB(ConUCB)和估计-动作-反射模型。
2022-10-05 cs.IR cs.LG cs.SI
Sequences, Items And Latent Links: Recommendation With Consumed Item Packs
推荐器通常通过使用协同过滤来基于显式反馈使用户(或项目)相关来个性化web内容,评级.收集这种反馈的困难最近促使人们考虑隐式反馈(例如,项目消耗以及相应的时间)。在本文中,我们介绍了消费项目包(CIP)的概念,使链接用户(或项目)的基础上,他们的隐式类似的消费行为。我们的建议是通用的,我们表明,它捕获三个新的隐式的搜索:基于用户的(CIP-U),基于项目的(CIP-I),和基于词嵌入(DEEPCIP),以及一个国家的最先进的技术,使用隐式反馈(FISM)。我们表明,我们的用户处理增量更新,将新鲜消费的项目。我们证明,所有这三个推荐者提供的推荐质量是具有竞争力的国家的最先进的,包括一个结合明确和隐含的反馈。
2017-12-07 cs.IR cs.SI stat.ML