Debiasing Learning for Membership Inference Attacks Against Recommender Systems
Shandong University（山东大学）；Alibaba Group（阿里巴巴集团）；Meituan（美团）；University of Amsterdam（阿姆斯特丹大学）
学习推荐系统可能会无意中泄露有关其训练数据的信息，从而导致隐私侵犯。我们调查的隐私威胁所面临的推荐系统，通过镜头的成员推理。在这样的攻击中，对手旨在推断用户的数据是否用于训练目标推荐器。为了实现这一点，以前的工作已经使用了影子推荐器来获得攻击模型的训练数据，然后通过计算用户的历史交互和推荐项目之间的差异向量来预测成员资格。现有技术的方法面临两个挑战性的问题：（1）由于阴影和目标映射器之间的间隙，攻击模型的训练数据是有偏差的，以及（2）映射器中的隐藏状态是不可观测的，导致差异向量的估计不准确。为了解决上述限制，我们提出了一个针对推荐系统的成员推断攻击的去偏学习（DL-MIA）框架，该框架有四个主要组件：（1）差异向量生成器，（2）解纠缠编码器，（3）权重估计器和（4）攻击模型。为了缩小推荐器之间的差距，设计了一种基于变分自动编码器（VAE）的解纠缠编码器来识别推荐器不变特征和特定特征。为了减少估计偏差，我们设计了一个权重估计器，为每个差异向量分配一个真值分数来表示估计精度。我们评估DL-MIA对一般的排序器和顺序排序器在三个真实世界的数据集。实验结果表明，DL-MIA算法能够有效地同时消除训练偏差和估计偏差，达到了最佳的攻击性能。
2022-06-28 cs.CR cs.IR cs.LG
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
Variable-Length Semantic IDs for Recommender Systems
HSE University（俄罗斯莫斯科高等经济大学）
本文提出可变长度语义ID用于推荐系统，通过离散变分自编码器学习自适应长度的物品表示，解决固定长度语义ID的不足。
2026-02-18 cs.CL cs.IR cs.LG
Top-N recommendations from expressive recommender systems
Massachusetts Institute of Technology（麻省理工学院）
归一化非负模型为用户分配概率分布，为项目分配随机变量;参见[Stark，2015]。对一个项目进行评级被认为是对分配给该项目的随机变量进行采样，该随机变量是关于分配给对该项目进行评级的用户的分布的。那种模特儿的表现力很强。例如，使用规范化的非负模型，我们可以将用户的偏好理解为可解释的用户原型的混合，并且我们可以以分层的方式排列用户和项目的属性。如果标准化非负模型的预测能力很差，这些特征就没有用了。因此，我们在这里分析了用于前N个推荐的归一化非负模型的性能，并观察到它们的性能与在[Cremonesi et al.，2010年]。我们的结论是，规范化的非负模型不仅提供准确的建议，但他们也提供（免费）的表示是可解释的。我们深化规范化的非负模型的讨论，提供进一步的理论见解。特别是，我们引入总变分距离作为操作相似性度量，我们发现的情况下，规范化的非负模型产生的用户和项目的唯一表示，我们证明了最佳规范化的非负模型的推理是NP-难的，最后，我们讨论了规范化的非负模型和非负矩阵分解之间的关系。
2015-11-20 cs.LG stat.ML
A generative recommender system with GMM prior for cancer drug generation and sensitivity prediction
University of Warsaw（华沙大学）；Merck KGaA（默克集团）
最近出现的高通量药物筛选测定引发了机器学习方法的深入发展，包括预测癌细胞系对抗癌药物敏感性的模型，以及产生潜在候选药物的方法。然而，产生具有特定性质的化合物并同时模拟其对癌细胞系的功效的概念尚未得到全面探索。为了满足这一需求，我们提出了VADEERS，一个基于变分自编码器的药物疗效评估推荐系统。化合物的生成是由一种新的变分自编码器与半监督高斯混合模型（GMM）的先验。先验定义了潜在空间中的聚类，其中聚类与特定的药物性质相关联。此外，VADEERS还配备了细胞系自动编码器和灵敏度预测网络。该模型结合了抗癌药物的SMILES字符串表示的数据，它们对一组蛋白激酶的抑制谱，细胞系生物学特征和细胞系对药物敏感性的测量。评价的VADEERS变体在真实和预测的药物敏感性估计值之间实现了高r=0.87 Pearson相关性。我们训练GMM先验，使得潜在空间中的聚类对应于通过其抑制概况预先计算的药物聚类。我们表明，学习的潜在表示和新生成的数据点准确地反映了给定的聚类。总之，VADEERS提供了药物和细胞系性质及其之间关系的综合模型，以及指导新化合物的产生。
2022-06-07 cs.AI cs.LG q-bio.OT
Fast Multi-Step Critiquing for VAE-based Recommender Systems
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
最近的研究表明，在推荐的同时提供个性化的解释可以增加信任和感知质量。此外，它为用户提供了一个机会，通过批评部分解释来完善建议。一方面，目前的推荐系统模型的推荐，解释和批评的目标联合，但这造成了一个固有的权衡各自的性能。另一方面，虽然最近潜在的线性批评方法是建立在现有的推荐系统，他们遭受计算效率低下的推理，由于在每个会话的回合优化的目标。我们解决这些缺陷与M&Ms-VAE，一种新的变分自编码器的建议和解释，是基于多模态建模假设。我们训练模型下的弱监督计划，以模拟完全和部分观察到的变量。然后，我们利用训练的M&Ms-VAE模型的泛化能力，分别嵌入用户偏好和评论。我们的工作最重要的创新是我们的批评模块，它是建立在一个简单的排名目标的自我监督的方式和训练。在四个真实世界数据集上的实验表明，在最先进的模型中，我们的系统是第一个在推荐，解释和多步批评方面占据主导地位或匹配性能的系统。此外，M&Ms-VAE处理评论的速度比最佳基线快25.6倍。最后，我们表明，我们的模型推断连贯的联合和交叉生成，即使在弱监督下，由于我们的多模态为基础的建模和训练方案。
2021-07-07 cs.AI cs.IR cs.LG
Deep Causal Reasoning for Recommendations
Wuhan University（武汉大学）
传统的推荐系统的目标是估计用户的评级的基础上观察到的评级从人口的项目。与所有观察性研究一样，隐藏的混杂因素是影响项目暴露和用户评级的因素，会导致估计中的系统性偏倚。因此，从因果关系的角度来消除混杂因素的影响是推荐系统研究的一个新趋势。观察到，在建议中的混杂因素通常是共享的项目，因此是多原因的混杂因素，我们模型的建议作为一个多原因多结果（MCMO）推理问题。具体来说，为了纠正混淆偏差，我们估计用户特定的潜变量，使项目曝光独立伯努利试验。生成分布由具有因子化逻辑似然的DNN参数化，并且通过变分推断估计难处理的后验。控制这些因素作为替代混杂因素，在温和的假设下，可以消除多原因混杂因素引起的偏倚。此外，我们表明，MCMO建模可能会导致高方差，由于稀缺的观测与高维因果空间。幸运的是，我们从理论上证明，引入用户特征作为预处理变量可以大大提高样本效率，减轻过拟合。模拟和真实世界数据集上的实证研究表明，所提出的深度因果推荐器比最先进的因果推荐器对未观察到的混杂因素表现出更强的鲁棒性。代码和数据集在https://github.com/yaochenzhu/deep-deconf上发布。
2022-11-21 cs.IR cs.LG
Privacy-Utility-Bias Trade-offs for Privacy-Preserving Recommender Systems
University of Basel（巴塞尔大学）
本文研究了差分隐私机制在推荐系统中的隐私-效用-偏见权衡，发现不同机制在不同数据条件下表现各异，DPSGD在保持准确性方面表现更优，而LDP在保持推荐模式方面更稳定。
2025-11-27 cs.LG
A Probabilistic Framework for Temporal Distribution Generalization in Industry-Scale Recommender Systems
Shopee Pte. Ltd.（Shopee公司）；Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理学院）
本文提出ELBO_TDS框架，通过因果图建模和自监督变分目标提升工业级推荐系统的时间分布泛化能力，实测提升GMV 2.33%并已部署于Shopee产品搜索。
2025-11-26 cs.LG
Latent Variable Session-Based Recommendation
Durham University（杜伦大学）；Criteo Research（科韬研究院）
基于会话的推荐为传统的特征工程推荐方法提供了一种有吸引力的替代方案。特征工程方法需要创建用户历史的手动调整特征以产生上下文向量。相比之下，基于会话的方法能够动态地对用户的行为状态进行建模。我们提出了一个基于会话的推荐概率框架。用户状态的潜在变量随着用户查看更多的项目而更新，并且我们更多地了解他们的兴趣。潜变量模型在概念上简单而优雅，但需要复杂的计算技术来近似潜变量的积分。我们使用重新参数化技巧和使用softmax函数的Bouchard界提供计算解决方案，我们进一步探索采用变分自动编码器和变分期望最大化算法来收紧变分界。该模型对一些基线表现良好。该模型的直观性质允许一个优雅的公式结合项目之间的相关性和他们的流行程度，并揭示了其他流行的推荐方法。潜在变量方法的一个有吸引力的特征是，随着用户继续行动，用户状态的后验收紧，反映了推荐系统对该用户的增加的知识。
2019-09-17 cs.IR cs.LG
Dynamic Slate Recommendation with Gated Recurrent Units and Thompson Sampling
University of Oslo（奥斯陆大学）；Lancaster University（兰卡斯特大学）
我们考虑以项目列表（称为slates）的形式向互联网平台的用户推荐相关内容的问题。我们引入了一个变分贝叶斯递归神经网络推荐系统，该系统作用于互联网平台和用户之间交互的时间序列，并可扩展到现实世界的工业情况。该推荐系统在真实用户的在线测试和从挪威基于网络的市场FINN.no收集的离线数据集上进行测试，该数据集公开用于研究。这是第一个公开可用的数据集之一，其中包括所有呈现给用户的slate以及slate中的哪些项目（如果有的话）被点击。这样的数据集允许我们超越通常的假设，即隐含地假设用户在每次交互时都会考虑所有可能的项目。相反，我们使用实际上在石板中的项目来建立我们的可能性，并在理论和实验中评估两种方法的优缺点。我们还介绍了一个层次的项目参数的基础上组成员。项目参数和用户偏好都是概率学习的。此外，我们将我们的模型与强盗策略相结合，以确保学习，并引入“在石板汤普森采样”，利用石板，以最大限度地提高探索的机会。我们的实验表明，探索性的推荐策略执行标准或以上的贪婪同行。即使没有利用探索来更有效地学习，点击率的增加也仅仅是因为推荐的石板的多样性提高了。
2021-04-30 cs.LG stat.ML
Providing Previously Unseen Users Fair Recommendations Using Variational Autoencoders
Norwegian University of Science and Technology（挪威科技大学）
针对推荐系统因用户建模而违反公平性且无法服务新用户的问题，提出限制变分自编码器中人口信息编码的方法，实现为未见用户提供公平推荐。
2023-08-29 cs.AI cs.IR cs.LG
A Quantum Machine Learning Approach to Content-Based Media Recommendation
University College London（伦敦大学学院）；Quantinuum；Relational Intelligence；British Broadcasting Corporation（英国广播公司）
该研究开发了基于QNLP的内容型媒体推荐系统，其参数远少于经典BiLSTM，在量子硬件上可稳定运行，为推荐任务提供了高效的量子方案。
2026-10-16 cs.LG
MVIGER: Multi-View Variational Integration of Complementary Knowledge for Generative Recommender
Yonsei University（延世大学）；Korea University（韩国大学）
本文提出MVIGER框架，通过统一变分方法整合互补知识，解决不同提示模板和物品索引导致的输出不一致问题，提升推荐性能。
2026-04-26 cs.AI cs.IR
Simultaneous Unlearning of Multiple Protected User Attributes From Variational Autoencoder Recommenders Using Adversarial Training
Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）；University of Applied Sciences Upper Austria（上奥地利应用科学大学）；Linz Institute of Technology（林茨理工学院）
本文提出 AdvXMultVAE，将 VAE 推荐模型与对抗训练结合，用于同时移除连续或类别型受保护用户属性，并在两个数据集上验证其公平性与匿名性提升。
2024-10-28 cs.IR cs.LG
RECipe: Does a Multi-Modal Recipe Knowledge Graph Fit a Multi-Purpose Recommendation System?
LG Electronics（LG电子）
本文提出以多模态知识图谱为骨干的多用途食谱推荐框架RECipe，结合行为、评论和图像三个子系统，并利用KGE与KG-VAE模型实现自然语言和图像驱动的食谱推荐，实验表明其性能可与神经方法媲美。
2023-08-08 cs.IR cs.LG
Information Theoretic Counterfactual Learning from Missing-Not-At-Random Feedback
Tsinghua University（清华大学）；Tencent（腾讯）；CNR（意大利国家研究委员会）
由于MNAR数据在现代推荐系统中无处不在，因此用于处理MNAR数据的反事实学习是推荐文献中一个有趣的话题。随机缺失（MAR）数据，即随机对照试验（RCT），通常需要大多数先前的反事实学习方法进行去偏学习。然而，在实践中，随机对照试验的执行成本极其昂贵。为了规避RCT的使用，我们建立了一个信息理论的反事实变分信息瓶颈（CVIB），作为一种替代方案，去偏置学习没有RCT。通过将原始信息瓶颈拉格朗日函数中的任务感知互信息项分解为事实和反事实部分，我们得到了一个对比信息损失和一个额外的输出置信度惩罚，从而促进了事实域和反事实域之间的平衡学习.对真实世界数据集的实证评估表明，我们的CVIB显着增强了浅层和深层模型，这揭示了超越RCT的建议中的反事实学习。
2020-10-17 cs.IR cs.LG stat.ME
Variational Bandwidth Auto-encoder for Hybrid Recommender Systems
混合推荐最近吸引了大量的关注，其中用户特征被用作辅助信息，以解决由用户-项目交互不足引起的稀疏性问题。然而，提取的用户特征通常包含丰富的多模态信息，其中大部分与推荐目的无关。因此，过度依赖这些特征会使模型对噪声过拟合，难以推广。在这篇文章中，我们提出了一个变带宽自动编码器（VBAE）的建议，旨在同时解决稀疏性和噪声问题。VBAE首先通过深度神经网络将用户协作和特征信息编码为高斯潜变量，以捕获非线性用户相似性。此外，通过考虑从信息理论的角度来看，作为一个虚拟的通信通道的协作和功能变量的融合，我们引入了一个用户相关的通道，以动态地控制允许从特征嵌入访问的信息。提出了一种基于量子理论的隐藏评分嵌入不确定性度量方法，将评分中的不确定性信息从语义信息中分离出来，从而推断出信道带宽。通过这种机制，VBAE合并足够的辅助信息，从用户功能，如果合作信息不足，同时避免过度依赖嘈杂的用户功能，以提高其泛化能力，以新用户。在三个真实数据集上进行的大量实验证明了该方法的有效性。代码和数据集在https://github.com/yaochenzhu/vbae上发布。
2022-11-21 cs.DB cs.IR
VM-Rec: A Variational Mapping Approach for Cold-start User Recommendation
针对冷启动推荐中用户辅助信息不足和训练成本高的问题，本文提出VM-Rec方法，通过变分映射将少量初始交互解码为可直接集成到预训练模型的表达性嵌入，并在三个数据集上验证了其优于现有冷启动方法的性能。
2024-09-02 cs.IR
Disentangled Variational Auto-encoder Enhanced by Counterfactual Data for Debiasing Recommendation
提出解耦去偏变分自编码器框架（DB-VAE）解决推荐系统多偏差耦合问题，并利用反事实数据增强缓解稀疏数据监督信号缺乏，实验证明其有效性。
2023-06-28 cs.IR
Neural Graph Collaborative Filtering Using Variational Inference
University of Tehran（德黑兰大学）；RMIT University（皇家墨尔本理工大学）
本文提出GVECF框架，通过变分图自编码器预训练用户-物品嵌入并融入GCN协同过滤，在基准数据集上实现召回率最高提升13.78%。
2023-12-02 cs.AI cs.IR
Multi-Resolution Diffusion for Privacy-Sensitive Recommender Systems
San Jose State University（圣何塞州立大学）
针对推荐系统依赖用户数据引发的隐私问题，提出基于分数的扩散推荐模块SDRM，可生成或增强合成数据保护隐私，其性能优于多种基线模型。
2024-06-19 cs.AI cs.CR cs.IR
Entire-Space Variational Information Exploitation for Post-Click Conversion Rate Prediction
University of Electronic Science and Technology of China（电子科技大学）
针对点击后转化率预估中的样本选择偏差与数据稀疏问题，提出全空间变分信息利用框架EVI，通过无偏伪标签生成与变分信息蒸馏迁移未点击样本信息，在6个大规模数据集上平均优于SOTA基线2.25%。
2024-12-17 cs.IR cs.LG
ReFRS: Resource-efficient Federated Recommender System for Dynamic and Diversified User Preferences
由于其设计的可扩展性和隐私性，联邦学习（FL）在分散式深度学习中受到越来越多的关注。FL还促进了最近关于升级和私有化个性化推荐服务的研究，使用设备上的数据在本地学习推荐模型。然后，这些模型将在全球范围内进行聚合，以获得更高性能的模型，同时保持数据隐私。通常，联合推荐系统（FRS）不考虑终端设备处的资源和数据可用性的缺乏。此外，他们假设用户和物品之间的交互数据是i. i. d。并且在终端设备上是固定的，并且可以直接对所有本地推荐器模型进行平均，而不考虑用户的行为多样性。然而，在实际场景中，必须在具有稀疏交互数据和有限资源的终端设备上进行推荐。此外，用户的偏好是异构的，他们经常访问新的项目。这使得他们的个人偏好高度倾斜，因此直接聚合模型对于这种非独立同分布是不适定的。数据在本文中，我们提出了资源高效的联合推荐系统（ReFRS），使分散式推荐与动态和多样化的用户偏好。在设备端，ReFRS由一个轻量级的自监督局部模型组成，该模型建立在变分自编码器上，用于从一系列交互项中学习用户的时间偏好。在服务器端，ReFRS利用语义采样器在每个识别的用户集群内自适应地执行模型聚合。聚类模块以异步和动态的方式操作，以支持高效的全局模型更新并应对不断变化的用户兴趣。因此，ReFRS在准确性和可扩展性方面都实现了卓越的性能，正如比较实验所证明的那样。
2022-07-28 cs.DC cs.IR
Interaction-Data-guided Conditional Instrumental Variables for Debiasing Recommender Systems
Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University（教育区块链与智能技术重点实验室，教育部，广西师范大学）；Guangxi Key Lab of Multi-Source Information Mining and Security, Guangxi Normal University（广西多源信息挖掘与安全重点实验室，广西师范大学）；School of Computer Science and Technology, Hainan University（海南大学计算机科学与技术学院）；UniSA STEM, University of South Australia（南澳大利亚大学UniSA STEM）
针对推荐系统中潜变量导致的混杂偏差问题，本文提出IDCIV-RS方法，通过交互数据自动生成有效条件工具变量及其条件集，利用VAE学习表示并结合最小二乘法推导因果表示，有效缓解偏差并提升推荐准确性。
2025-08-25 cs.AI 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
Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation
The University of New South Wales（新南威尔士大学）；Macquarie University（麦考瑞大学）；Osaka University（大阪大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）
本文提出因果解耦变分自编码器CaD-VAE，利用结构因果模型建模推荐场景中潜在因素间的因果关系，以学习因果解耦表示，从而提升推荐模型的鲁棒性、可解释性与可控性，并在实验中优于现有方法。
2023-04-17 cs.AI cs.IR
Exploiting Variational Domain-Invariant User Embedding for Partially Overlapped Cross Domain Recommendation
跨领域推荐（CDR）是利用不同领域的知识来解决推荐系统中的冷启动问题的一种方法。现有的CDR模型大多假设源域和目标域共享相同的重叠用户集进行知识转移。然而，在实际CDR任务中，只有少数比例的用户同时在源域和目标域上激活。在本文中，我们专注于部分重叠的跨域推荐（POCDR）问题，即如何利用重叠和非重叠用户的信息，以提高推荐性能。现有的方法不能充分利用跨域非重叠用户背后的有用知识，这限制了模型的性能时，大多数用户是非重叠的。为了解决这个问题，我们提出了一个端到端的双自动编码器与变域不变的嵌入对齐（VDEA）模型，跨域推荐框架的POCDR问题，它利用双变分自编码器与本地和全局嵌入对齐利用域不变的用户嵌入。VDEA首先采用变分推理捕获协作用户偏好，然后利用Gromov-Wasserstein分布共聚类最优传输对具有相似评级交互行为的用户进行聚类。我们在豆瓣和亚马逊数据集上的实证研究表明，VDEA显著优于最先进的模型，特别是在POCDR设置下。
2022-05-27 cs.IR
Path-Specific Counterfactual Fairness for Recommender Systems
针对推荐系统中直接消除敏感特征影响会降低推荐质量的问题，提出基于路径特定反事实推理的公平推荐框架PSF-RS及其实现PSF-VAE，通过弱监督变分推断在消除不公平偏见的同时保留推荐多样性。
2023-06-05 cs.IR
Incorporating Group Prior into Variational Inference for Tail-User Behavior Modeling in CTR Prediction
Kuaishou Technology（快手科技）
针对CTR预测中尾部用户行为稀疏导致兴趣建模困难的问题，提出GPSVI方法，通过引入群体偏好作为变分推断先验并结合保体积流，在保持头部用户效果的同时持续提升尾部用户表现。
2024-10-19 cs.AI cs.IR
Global-Local Item Embedding for Temporal Set Prediction
Naver R&D Center（Naver研发中心）；NAVER CLOVA；NAVER AI LAB（NAVER AI实验室）
时间集预测正变得越来越重要，因为许多公司在其在线业务中采用推荐系统，例如，购物篮的个性化购买预测。虽然以前的大多数技术都集中在利用用户的历史，但将其与其他人的历史相结合的研究仍然具有未开发的潜力。本文提出了全局-局部项目嵌入（GLOIE），学习利用整个用户以及在一个用户的名称作为全局和局部信息，以区分两个时间模式的时间属性集。GLOIE使用变分自编码器（VAE）和基于动态图的模型来捕获全局和局部信息，然后应用注意力来整合结果项嵌入。此外，我们建议将Tweedie输出用于VAE的解码器，因为它可以很容易地对零膨胀和长尾分布进行建模，这比高斯或多项式更适合于几种真实世界的数据分布。当在三个公共基准上进行评估时，我们的算法在大多数排名指标中始终优于以前的最先进的方法。
2021-09-05 cs.IR cs.LG
