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
CF4CF: Recommending Collaborative Filtering algorithms using Collaborative Filtering
自动解决方案，使选择最好的算法为一个新的问题是常见的文献。一个研究领域，最近收到了相当大的努力是协同过滤。现有的工作包括使用元学习的几种方法，这些方法将数据集的特性与算法的性能联系起来。这项工作探讨了解决这一问题的另一种方法。由于两者本质上都是推荐问题，因此本文采用协同过滤算法来选择协同过滤算法。我们的方法集成了子采样landmarks，这是一种数据表征方法，通常用于元学习，与标准的协同过滤方法。实验结果表明，CF4CF在协同过滤算法选择问题上与标准元学习策略竞争。
2018-03-06 cs.IR
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
Beyond Parity: Fairness Objectives for Collaborative Filtering
Virginia Tech（弗吉尼亚理工大学）
我们研究了协同过滤推荐系统的公平性，该系统对历史数据中存在的歧视很敏感。有偏见的数据可能导致协作过滤方法对少数群体的用户做出不公平的预测。我们确定现有的公平性指标的不足，并提出了四个新的指标，解决不同形式的不公平。这些公平性度量可以通过向学习目标添加公平性项来优化。在合成数据和真实数据上的实验表明，我们的新指标可以更好地衡量公平性比基线，公平性目标有效地帮助减少不公平。
2017-11-30 cs.AI cs.IR cs.LG
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
A Comparative Study of Collaborative Filtering Algorithms
协同过滤是一个快速发展的研究领域。每年都有一些新的技术被提出来，但目前还不清楚哪种技术最有效，在什么条件下最有效。在本文中，我们进行了一项研究，比较了几个协同过滤技术-经典和最近的国家的最先进的-在各种实验环境。具体来说，我们报告的结论控制的项目数，用户数，稀疏水平，性能标准，和计算复杂性。我们的结论确定了什么样的算法工作良好，在什么条件下，并有助于工业部署协同过滤算法和研究社区。
2012-05-14 cs.IR stat.ML
Collaborative Filtering with Recurrent Neural Networks
IRIDIA（IRIDIA实验室）；Université Libre de Bruxelles（布鲁塞尔自由大学）
我们表明，协同过滤可以被看作是一个序列预测问题，并给予这种解释，循环神经网络提供了非常有竞争力的方法。特别是，我们研究了如何将长短期记忆（LSTM）应用于协同过滤，以及如何将其与电影推荐的标准最近邻和矩阵分解方法进行比较。我们证明了LSTM在各个方面都具有竞争力，并且在项目覆盖率和短期预测方面大大优于其他方法。
2017-01-03 cs.IR cs.LG
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
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
Using content features to enhance performance of user-based collaborative filtering performance of user-based collaborative filtering
基于内容的推荐方法和协同过滤方法是推荐系统中最成功的解决方案。基于内容的方法是基于项目属性。该方法首先检查用户最喜欢的项目的特征，然后提出与这些项目具有最相似特征的项目。协同过滤方法是基于相似项目或相似用户的确定，分别称为基于项目的协同过滤和基于用户的协同过滤，本文提出了一种融合协同过滤和基于内容的协同过滤的混合方法。该方法可以看作是基于用户的协同过滤技术。然而，为了找到与活跃用户具有相似品味的用户，我们使用了被调查项目的内容特征，以更加强调用户对相似项目的评分。换句话说，如果两个用户对具有相似上下文的项目的评级相似，则他们是相似的。这是通过在计算两个用户的相似度时为每个评分分配一个权重来实现的。我们使用movielens数据集来评估所提出的方法与基本的基于用户的协同过滤和其他流行方法相比的性能。
2014-02-13 cs.IR
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
Local Collaborative Filtering: A Collaborative Filtering Method that Utilizes Local Similarities among Users
Wuhan University（武汉大学）
针对推荐系统中用户行为数据利用不足的问题，提出利用用户局部相似性、结合大数定律整合数据的LCF协同过滤方法，在Steam数据集上的实验结果符合现实需求。
2025-11-17 cs.AI cs.HC cs.IR
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
Neural Graph Collaborative Filtering
National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）；Hefei University of Technology（合肥工业大学）
学习向量表示（Learning Vector Representations）嵌入）是现代推荐系统的核心。从早期的矩阵分解到最近出现的基于深度学习的方法，现有的努力通常通过从描述用户（或项目）的预先存在的特征（例如ID和属性）进行映射来获得用户（或项目）的嵌入。我们认为，这种方法的一个固有的缺点是，合作的信号，这是潜在的用户项目的互动，是不是在嵌入过程中编码。因此，所得到的嵌入可能不足以捕获协同过滤效果。在这项工作中，我们建议将用户-项目交互-更具体地说，二分图结构-嵌入过程。提出了一种新的推荐框架神经图协同过滤（Neural Graph Collaborative Filtering，NGCF），该框架利用用户-项目图的结构，通过在其上传播嵌入，实现了用户-项目图的高阶连通性的表达建模，有效地将协同信号以显式的方式注入到嵌入过程中。我们在三个公共基准上进行了广泛的实验，证明了几个最先进的模型，如HOP-Rec和协作内存网络的显着改进。进一步的分析验证了嵌入传播对于学习更好的用户和项目表示的重要性，证明了NGCF的合理性和有效性。代码可在https://github.com/xiangwang1223/neural_graph_collaborative_filtering上获得。
2020-07-03 cs.IR cs.LG cs.SI
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
Parallel and Distributed Collaborative Filtering: A Survey
协同过滤是实现推荐系统时最优选的技术之一。最近，极大的兴趣已经转向并行和分布式实现的协同过滤算法。这项工作是一个调查的并行和分布式协同过滤的实现，旨在不仅提供一个全面的介绍该领域的发展，但也提供了未来的研究方向，突出的问题，需要进一步发展。
2014-09-09 cs.DC cs.IR
Heterogeneous Collaborative Filtering
推荐系统对于内容共享/创建社交网络是重要的。协同过滤是传统过滤器中广泛采用的技术，其基于涉及相同用户的积极参与的内容项之间的相似性。传统的协同过滤（CCF）存在冷启动问题和内容多样性窄的问题。我们提出了一种新的推荐方法，异构协同过滤（HCF），以解决这些挑战的根源，同时保持协同过滤的优势。我们提出了两个实现算法的HCF内容推荐和内容分发。实验结果表明，我们的方法提高了推荐质量在现实世界中的社会网络的内容创建和共享。
2019-08-31 cs.IR
Dual-embedding based Neural Collaborative Filtering for Recommender Systems
Wuhan University（武汉大学）
在众多的推荐技术中，协同过滤（CF）是最成功的一种。CF中的一个关键问题是如何表示用户和项目。以前的作品通常代表一个用户（一个项目）作为一个向量的潜在因素（又名。\textit{embedding}），然后根据表示对用户和项之间的交互进行建模。尽管它的有效性，我们认为，这是不足以产生令人满意的嵌入协同过滤。受SVD++基于用户自身及其交互项表示用户的思想的启发，我们提出了一个通用的协同过滤框架DNCF，简称基于双嵌入的神经协同过滤，以利用历史交互来增强表示。除了学习用户（项目）的原始嵌入之外，我们还从交互项目（用户）的角度引入了额外的嵌入，以增强用户（项目）表示。在四个公开数据集上进行的大量实验证明了我们提出的DNCF框架的有效性，通过将其性能与几个传统的矩阵分解模型和其他最先进的基于深度学习的推荐模型进行比较。
2021-02-05 cs.IR 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
Empirical Comparison of Graph Embeddings for Trust-Based Collaborative Filtering
Graz University of Technology（格拉茨技术大学）；Know-Center GmbH（知识中心有限公司）
在这项工作中，我们研究的效用图嵌入生成潜在的用户表示基于信任的协同过滤。在冷启动设置中，在三个公开可用的数据集上，我们评估了来自四个方法家族的方法：（i）基于因子分解，（ii）基于随机游走，（iii）基于深度学习，以及（iv）大规模信息网络嵌入（LINE）方法。我们发现，在这四个家庭中，基于随机游走的方法始终达到最佳的准确性。此外，它们还产生了非常新颖和多样化的推荐。此外，我们的研究结果表明，使用图嵌入在基于信任的协同过滤显着提高用户覆盖率。
2021-02-01 cs.IR cs.LG cs.NE
A Distributional Representation Model For Collaborative Filtering
在本文中，我们提出了一种非常简洁的深度学习方法，用于协同过滤，联合建模用户和项目的分布表示。该框架获得了更好的性能相比，目前的最先进的算法，使分布式表示模型在协同过滤的进一步研究的一个有前途的方向。
2015-02-14 cs.IR cs.NE
A Refined SVD Algorithm for Collaborative Filtering
ETH Zürich（苏黎世联邦理工学院）
协同过滤试图根据具有相似品味的其他用户的意见来预测用户对某些项目的评级。评级通常以稀疏矩阵的形式给出，目标是找到缺失的条目（即评级）。协同过滤的方法有很多种，其中最流行的是奇异值分解（SVD）和K-means聚类。SVD方法中的一个挑战是找到未知评级的良好初始化。[1]建议了一种可能的初始化。在本文中，我们解释了如何使用K-means方法来实现SVD初始化的进一步改进。我们表明，我们的技术优于单独使用的两种初始化技术。
2020-12-13 cs.IR cs.LG
Data Poisoning Attacks on Factorization-Based Collaborative Filtering
Vanderbilt University（范德堡大学）；Carnegie Mellon University（卡内基梅隆大学）
推荐和协同过滤系统在现代信息和电子商务应用中非常重要。随着这些系统在行业中越来越受欢迎，它们的输出可能会影响业务决策，从而促使敌对方损害这些系统的可用性或完整性。我们介绍了一个数据投毒攻击的协同过滤系统。我们展示了一个强大的攻击者如何充分了解学习者可以生成恶意数据，以最大限度地提高他/她的恶意目标，同时模仿正常的用户行为，以避免被检测到。虽然完整的知识假设似乎是极端的，它使一个强大的评估的脆弱性的协同过滤方案，以高度动机的攻击。我们提出了有效的解决方案，两个流行的基于因子分解的协同过滤算法：\emph{alternative minimization}制定和\emph{nuclear norm minimization}方法。最后，我们测试了我们提出的算法对真实世界的数据的有效性，并讨论了潜在的防御策略。
2016-10-05 cs.CR cs.IR cs.LG
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
Collaborative Filtering vs. Content-Based Filtering: differences and similarities
推荐系统（SR）建议探索用户偏好的项目，帮助他们解决信息过载问题。SR的两种方法得到了更多的重视，协同过滤和基于内容的过滤。此外，即使研究表明它们的优点和缺点，很少有结果实证证明它们的特点，相似性和差异。在这项工作中，提出了一种实验方法来执行推荐算法的不同方法之间的比较超出了“精度的预测”。对于实验，三个算法的建议进行了测试：一个基线的协同过滤和两个算法的基于内容的过滤，开发了这个评估。实验展示了这些系统在不同数据集的行为，其主要特点，特别是两种主要方法的互补方面。
2019-12-18 cs.IR
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
Local Optimality of User Choices and Collaborative Competitive Filtering
虽然用户的偏好直接反映在她和推荐之间的交互式选择过程中，但这些丰富的信息并没有被充分利用来学习推荐模型。特别是，现有的协同过滤（CF）方法只考虑用户行为的二进制事件，但完全忽略了用户的决策是在上下文。在本文中，我们提出了协同竞争过滤（CCF），一个框架，学习用户的偏好，通过建模的选择过程中的推荐系统。CCF采用乘性潜在因子模型来表征二元效用函数。但与CF不同，CCF通过编码局部竞争效应来模拟用户的选择行为。通过这种方式，CCF允许我们利用先前在现有CF模型中与缺失数据集中在一起的二元数据。我们提出了两个配方和一个有效的大规模优化算法。三个真实世界的推荐数据集上的实验表明，CCF显着优于标准CF方法在离线和在线评估。
2011-02-25 cs.IR cs.SI stat.AP
Collaborative Filtering with Label Consistent Restricted Boltzmann Machine
IIIT Delhi（德里英德拉普拉斯塔信息技术学院）
采用受限玻尔兹曼机（RBM）进行协同过滤的可能性已经知道了大约十年。然而，自2007年以来，几乎没有关于这一专题的任何工作。这项工作回顾了RBM在推荐系统中的应用。基于RBM的协同过滤只使用评分信息，这是一个无监督的架构。这项工作通过利用用户人口统计信息和项目元数据来增加监督。网络是从表示层到标签（元数据）学习的。建议的标签一致的RBM制定显着改善现有的RBM为基础的方法和产量的结果与国家的最先进的潜在因素为基础的模型。
2019-10-17 cs.IR cs.LG cs.NE
Memory Based Collaborative Filtering with Lucene
本文提出一种在 Apache Lucene 等传统全文搜索引擎之上构建可扩展且有效的协同过滤系统的方法，解决了定制化方案丧失通用性与灵活性的问题。
2024-11-18 cs.IR
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
Neural Tree Collaborative Filtering: Rethinking Graph Collaborative Filtering as Tree Collaborative Filtering with Curvature-Aware Propagation Depth
The University of Hong Kong（香港大学）；Beijing Institute of Technology（北京理工大学）；The Hong Kong University of Science and Technology（香港科技大学）
该研究提出神经树协同过滤（NTCF）框架，将图协同过滤重新建模为树结构并基于曲率分配节点特定传播深度，其性能优于多数GCF模型，可作为骨干集成到自监督模型中，经多数据集实验验证了优越性。
2026-08-12 cs.IR
Coupled Variational Recurrent Collaborative Filtering
Texas A&M University（德州农工大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
本文研究了流媒体推荐系统中的问题，并探索了新的协同过滤算法来处理流媒体推荐系统中数据的动态性和复杂性。虽然深度神经网络已经证明了推荐任务的有效性，但缺乏在流推荐设置下集成概率模型和深度架构的探索。结合概率模型和深度神经网络的互补优势，可以提高模型的有效性和对推理不确定性的理解。为了弥补这一差距，本文提出了一种基于深度贝叶斯学习思想的耦合变分递归协同过滤（CVRCF）框架来处理流媒体推荐问题。该框架结合了贝叶斯范式下的随机过程和深度因子分解模型，对用户偏好和项目流行度的生成和演变进行建模。为了保证有效的优化和流更新，我们进一步提出了一个顺序变分推理算法的基础上交叉变分递归神经网络结构。在三个基准数据集上的实验结果表明，该框架在时间依赖建模和预测精度方面都优于最先进的方法。学习的潜变量还提供了时间动态演化的可视化解释。
2019-06-11 cs.IR cs.LG stat.ML
A dynamic multi-level collaborative filtering method for improved recommendations
在电子商务等各种在线环境中提供推荐的最常用方法之一是协同过滤。虽然这是一种简单的推荐商品或服务的方法，但仍然存在准确性和质量问题。因此，我们提出了一个动态的多级协同过滤方法，提高了推荐的质量。所提出的方法是基于积极和消极的调整，并可用于不同的领域，利用协同过滤，以提高质量的用户体验。此外，所提出的方法的有效性是通过提供一个广泛的实验评估的基础上，三个真实的数据集和替代方法的比较。
2017-02-06 cs.IR
Collaborative Filtering Approach to Link Prediction
链接预测是网络科学中的一个基本挑战。在众多的方法中，局部相似性指数以其较高的性价比而被广泛应用。然而，性能不太稳健：对于某些网络，本地索引与最先进的算法相比具有很强的竞争力，而对于其他一些网络，它们非常差。受推荐系统开发技术的启发，我们提出了一个基于协同过滤（CF）的本地索引增强框架。考虑到个性化推荐和链接预测之间微妙而重要的区别，我们进一步提出了一个改进的框架命名为自包含协同过滤（SCF）。SCF框架大大提高了知名地方指数的准确性和稳健性。SCF框架和一个简单的局部索引的组合可以产生一个具有竞争力的性能和更低的复杂度相比，精心设计的最先进的算法。
2021-03-14 cs.IR cs.SI
Transformer-Empowered Content-Aware Collaborative Filtering
基于知识图谱（KG）的协同过滤是一种有效的个性化推荐系统的方法，相对静态的领域，如电影和书籍，通过利用KG的结构化信息来丰富项目和用户表示。出于使用Transformers理解富文本在基于内容的过滤推荐系统，我们提出了内容感知KG增强元偏好网络作为一种方式来增强协同过滤推荐的基础上，结构化的信息从KG以及非结构化的内容功能的基础上，变压器授权的基于内容的过滤。为了实现这一目标，我们采用了一种新的训练方案，跨系统对比学习，以解决这两个非常不同的系统的不一致性，并提出了一个强大的协同过滤模型和一个变种的知名NRMS系统在这个建模框架。我们还通过创建一个大规模的电影知识图谱数据集，并通过整合从外部来源抓取的文本描述来扩展已经公开的Amazon-Book数据集，从而为公共领域资源做出贡献。我们目前的实验结果表明，增强协同过滤与变压器为基础的功能来自基于内容的过滤优于强大的基线系统，提高能力的知识图为基础的协同过滤系统，利用项目内容信息。
2022-04-02 cs.IR
Survey of Privacy-Preserving Collaborative Filtering
Missouri University of Science and Technology（密苏里科技大学）；University of Missouri-Columbia（密苏里大学哥伦比亚分校）；Applied Computational Intelligence Laboratory, Missouri University of Science and Technology（密苏里科技大学应用计算智能实验室）
协同过滤推荐系统基于用户自己的过去偏好以及共享相似兴趣的其他用户的偏好向用户提供推荐。近年来，推荐系统的使用越来越广泛，帮助人们选择要看的电影、要读的书和要买的东西。然而，用户在使用这类系统时往往会担心自己的隐私，许多用户不愿意向大多数在线服务提供准确的信息。隐私保护协同过滤推荐系统的目标是为用户提供准确的推荐，同时保持一定的保证他们的数据的隐私。这项调查研究了最近的文献在隐私保护的协同过滤，提供了一个广阔的视野，并使用两个不同的标准对文献中的关键贡献进行分类：他们解决的脆弱性类型和他们用来解决它的方法类型。
2020-03-18 cs.CR cs.IR cs.LG
Rethinking Neural vs. Matrix-Factorization Collaborative Filtering: the Theoretical Perspectives
Walmart Labs（沃尔玛实验室）；Instacart
Rendle等人（2020）的最新工作基于经验观察，认为矩阵分解协同过滤（MCF）优于神经协同过滤（NCF），并证明了点积作为相似性函数优于前馈神经网络。在本文中，我们通过回答以下问题严格地解决比较：1。每个模型的极限表达能力是什么; 2.在实际的梯度下降下，每条优化路径收敛到哪个解; 3.模型在归纳和转换学习环境下如何推广。我们的研究结果突出了类似的表达过度参数化的NCF和MCF作为内核化的预测，并揭示了它们的优化路径之间的关系。我们进一步展示了它们不同的泛化行为，其中MCF和NCF在转导和归纳协同过滤设置中经历了特定的权衡和比较。最后，通过展示一个新的推广结果，我们揭示了在归纳环境中校正暴露偏差对模型评估的关键作用。我们的研究结果解释了一些以前观察到的冲突，我们提供了合成和真实数据的实验，以进一步了解这一主题。
2021-10-23 cs.IR cs.LG
Maximum Entropy for Collaborative Filtering
Microsoft Research（微软研究院）
在协同过滤的任务中，存在两个计算条件概率的挑战。首先，可用的训练数据的量相对于域的大小通常是稀疏的。因此，通常不存在对高阶相互作用的支持。其次，我们所依赖的变量对于每个查询都是不同的。也就是说，用户在每次查询期间标记不同的变量。因此，没有一致的输入到输出映射。为了解决这些问题，我们的目的是最大熵的方法，使用非标准的熵测量。这种方法可以简化为求解一组可以有效求解的线性方程组。
2012-07-11 cs.IR cs.LG
ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction
Peking University（北京大学）；Yale University（耶鲁大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；University of Science and Technology of China（中国科学技术大学）
ADRNet提出一个结合临床与非临床数据的广义协同过滤框架，通过浅层协同过滤与深层药物表示模块融合高维药物描述符和低维ADR嵌入，提升药物不良反应预测的准确性与效率。
2023-08-03 cs.IR cs.LG
ImplicitSLIM and How it Improves Embedding-based Collaborative Filtering
St. Petersburg Department of the Steklov Mathematical Institute（斯捷克洛夫数学研究所圣彼得堡分所）
本文提出 ImplicitSLIM，一种通过低成本、低内存方式从类 SLIM 模型提取嵌入以改进基于嵌入的协同过滤模型的无监督学习方法，无需显式训练繁重模型，能提升性能并加速收敛。
2024-05-31 cs.IR cs.LG
