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 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
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
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
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
Co-Factorization Model for Collaborative Filtering with Session-based Data
矩阵分解(MF)是一种常用的协同过滤方法。MF通过潜在因子来表征用户偏好和项目属性。尽管MF是一种强大的方法,但它无法识别密切相关项目的强关联。在这项工作中,我们提出了一种矩阵分解的方法,可以反映强相关项目到项目的潜在表示的本地化关系。我们通过结合两个世界来做到这一点:MF用于协同过滤,item2vec用于项目嵌入。所提出的方法是能够利用项目的关系。我们在几个数据集上的实验表明,与以前的工作有更好的性能。
2021-05-12 cs.IR
ASPIRE: Make Spectral Graph Collaborative Filtering Great Again via Adaptive Filter Learning
East China Normal University(华东师范大学);The University of Queensland(昆士兰大学);Shanghai Innovation Institute(上海创新研究院)
本文提出ASPIRE框架,通过双层优化解决传统推荐目标的偏差问题,提升图滤波学习效果和稳定性,实验表明其性能接近定制设计,并在大模型协同过滤中同样有效。
2026-11-11 cs.IR
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 Graph-based Implicit Feedback
SVD++在矩阵分解(MF)方法中引入用户的消费项目作为用户的隐式反馈,是个性化推荐系统中最有效的协同过滤方法之一。虽然功能强大,SVD++有两个限制:(i)。仅利用用户侧隐式反馈,而不利用也可以丰富项表示的项侧隐式反馈;(ii).在SVD++中,隐式反馈组合时交互项的权重相等,不能准确反映用户的真实偏好。针对上述局限性,本文提出了基于图的协同过滤(GCF)模型、基于加权图的协同过滤(W-GCF)模型和基于注意图的协同过滤(A-GCF)模型。基于用户-项目二分图将隐式反馈推广到项目侧;(ii).在隐式反馈中灵活地学习个体的权重,从而提高模型的性能。综合实验结果表明,该模型的性能优于现有模型;对于稀疏隐式反馈场景,通过利用第二步隐式反馈信息,进一步提高了模型的性能.
2018-03-09 cs.IR
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
Embedded Collaborative Filtering for "Cold Start" Prediction
仅使用隐式数据,许多推荐系统通常无法向具有有限交互历史的用户提供精确的推荐集。此问题被视为“冷启动”问题,通常通过切换到需要额外昂贵信息的基于内容的方法来解决。在本文中,我们使用的降维算法,Word2Vec(W2V),最初应用于自然语言处理问题的框架下的协同过滤(CF),以解决“冷启动”问题,只使用隐式数据。这种组合方法被称为嵌入式协同过滤(ECF)。在两个不同的隐式数据集上进行了实验,以确定ECF的性能。我们表明,ECF的方法优于其他流行的和国家的最先进的方法在“冷启动”的情况下。
2017-04-09 cs.IR
Contrastive Collaborative Filtering for Cold-Start Item Recommendation
冷启动问题是推荐系统中一个长期存在的问题。作为一个有前途的解决方案,基于内容的生成模型通常投影一个冷启动项目的内容到一个热启动项目嵌入捕获项目内容的协同信号,以便可以应用协同过滤。然而,由于冷启动推荐模型的训练是在暖数据集上进行的,现有方法存在项目的协同嵌入模糊的问题,严重影响了冷启动项目推荐的性能。为了解决这个问题,我们提出了一种新的模型称为冷启动项目推荐的对比协同过滤(CCFCRec),它利用了在温暖的训练数据,以减轻模糊的协同嵌入冷启动项目推荐的问题同现合作信号。特别是,我们设计了一个对比协同过滤(CF)框架,包括一个内容CF模块和一个同现CF模块,分别生成基于内容的协同嵌入和同现协同嵌入的训练项目。在两个协同过滤模块的联合训练过程中,我们在两个协同嵌入之间进行对比学习,从而将同现信号的相关知识间接传递给内容协同过滤模块,从而在应用阶段利用记忆的同现信号对模糊协同嵌入进行隐式修正。在理论分析的基础上,通过在真实数据集上的大量实验,验证了该模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获得。
2023-02-22 cs.IR
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法,如协同过滤,只依赖于用户和项目之间的相似性,根据用户的偏好提供推荐。然而,协同过滤可能会导致提供差的推荐,因为它不依赖于其他有用的可用数据,如用户的位置,因此,建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的,例如电影推荐系统。为了提高推荐的准确性和质量,本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中,用户的位置已被利用,并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验,讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
Boosting Simple Collaborative Filtering Models Using Ensemble Methods
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
在本文中,我们将研究集成学习的协同过滤方法的性能的影响。我们提出了几个系统的方法来生成一个合奏的协同过滤模型的基础上,一个单一的协同过滤算法(单模型或同质合奏)。我们提出了一个适应机器学习中的几个流行的集成技术的协同过滤域,包括装袋,助推,融合和随机注入。我们评估所提出的方法上的几种类型的协同过滤基础模型:k- NN,矩阵分解和邻域矩阵分解模型。经验评估表明,预测的改善相比,所有的基础CF算法。特别是,我们表明,与单个强CF模型(如矩阵分解)相比,简单(弱)CF模型(如k-NN)的集合的性能具有竞争力,同时需要一个数量级的计算成本。
2012-11-13 cs.IR cs.LG stat.ML
A multi-level collaborative filtering method that improves recommendations
协同过滤是在各种在线环境中提供推荐的最常用方法之一。尽管协作推荐方法由于其简单易用而被广泛使用,但准确性仍然是一个问题。在本文中,我们提出了一个多层次的推荐方法,其主要目的是帮助用户在决策提供更好的质量建议。所提出的方法可以应用于不同的在线领域,使用协同推荐系统,从而提高整体用户体验。所提出的方法的效率是通过提供一个广泛的实验评估,使用五个真实的数据集和比较替代品。
2018-04-24 cs.IR
Collaborative filtering with diffusion-based similarity on tripartite graphs
协同标签在信息系统的组织中发挥着越来越重要的作用。在本文中,我们研究了个性化推荐模型,利用用户,对象和标签之间的三元关系。我们提出了一种基于用户偏好和标签信息的用户相似性度量方法。两种类型的用户之间的相似性计算,通过使用一个基于扩散的过程,然后集成推荐。我们测试了所提出的方法在一个标准的协同过滤框架与三个指标:排名分数,召回率和精度,并证明它比常用的余弦相似性表现得更好。
2009-10-17 cs.IR
Large Language Models Enhanced Collaborative Filtering
提出LLM-CF框架,通过上下文学习和思维链推理将大语言模型的世界知识与推理能力蒸馏到协同过滤中,并采用高效指令微调在保持通用性的同时提升推荐性能,实验证明其显著优于竞争基线。
2024-07-24 cs.IR
Neural content-aware collaborative filtering for cold-start music recommendation
最先进的音乐推荐系统是基于协同过滤,它建立在学习用户和歌曲之间的相似性,从可用的收听数据。这些方法固有地面临冷启动问题,因为它们不能推荐没有收听历史的新颖歌曲。内容感知推荐通过在协同过滤的基础上结合歌曲的内容信息来解决这个问题。然而,属于这一类的方法依赖于源于矩阵分解框架的浅用户/项目交互。在这项工作中,我们介绍了神经内容感知协同过滤,一个统一的框架,它体现了这些限制,并扩展了最近推出的神经协同过滤的内容感知对应。我们提出了一个生成模型,它利用深度学习从低级声学特征中提取内容信息,并对用户和歌曲嵌入之间的交互进行建模。深度内容特征提取器可以直接预测项目嵌入,也可以作为正则化先验,产生我们模型的两个变体(严格和放松)。实验结果表明,该方法达到了最先进的冷启动音乐推荐任务的结果。我们特别注意到,利用深度神经网络来学习精细的用户/项目交互优于在内容感知框架中使用更简单的交互模型的方法。
2022-07-20 cs.IR
When Product Search Meets Collaborative Filtering: A Hierarchical Heterogeneous Graph Neural Network Approach
个性化是提高产品搜索系统性能的核心。以往的研究主要是依靠文本查询和用户/产品相关文档之间的语义匹配,离开用户的合作行为尚未开发。事实上,用户之间的协同过滤信号直观地为语义匹配提供了补充信息。为了缩小协同过滤和产品搜索之间的差距,本文提出了一种层次异构图神经网络(HHGNN)方法。具体来说,我们组织HHGNN与层次图结构,根据三个边缘类型。序列边负责从单词节点到句子节点的语法公式化;组合边将语义特征聚合到用户和产品节点;顶部的交互边执行用户和产品节点之间的图卷积操作。最后,为了更好地进行表示学习,我们将高阶相邻协作特征和语义特征相结合。我们在六个亚马逊评论数据集上进行了广泛的实验。结果表明,我们提出的方法可以优于国家的最先进的基线有很大的利润。此外,我们实证证明,协同过滤和语义匹配是相辅相成的产品搜索性能的提高。
2021-09-26 cs.IR
Deep Latent Factor Model for Collaborative Filtering
University of Paris-Est(巴黎东部大学)
潜在因素模型在基于协同过滤的推荐系统中得到了广泛的应用。近年来,深度学习已经成功地解决了各种各样的机器学习问题。受深度学习成功的启发,我们提出了一个更深版本的潜在因素模型。基准数据集上的实验表明,我们提出的技术显着优于所有国家的最先进的协同过滤技术。
2019-12-10 cs.IR cs.LG stat.ML
Enhanced Recommendation Combining Collaborative Filtering and Large Language Models
University of California, Irvine(加州大学欧文分校);Brown University(布朗大学);Southwest Jiaotong University(西南交通大学)
本文提出融合协同过滤与大语言模型的增强推荐方法,利用LLMs增强文本理解以缓解冷启动和数据稀疏问题,实验证明其能显著提升推荐准确性与多样性。
2024-12-25 cs.AI cs.IR
Incremental Collaborative Filtering Considering Temporal Effects
推荐系统要求其推荐算法是准确的、可扩展的,并且应该处理随着时间而不断变化的非常稀疏的训练数据。受蚁群优化算法的启发,本文提出了一种新的协同过滤算法:蚂蚁协同过滤。该方法利用信息素在用户和项目之间传递的机制,即使在稀疏性问题下也能准确定位大多数相关用户和项目。凭借现有信息素的蒸发,我们捕捉到用户偏好随时间的演变。同时,算法的计算复杂度较小,并且可以在线进行增量更新.我们在三个典型的推荐系统上设计了三个实验,分别是电影推荐、书籍推荐和音乐推荐,分别覆盖了显式和隐式的评分数据。实验结果表明,该算法能够很好地适用于高吞吐量和时间敏感的真实推荐场景。
2012-03-24 cs.IR
Graph-less Collaborative Filtering
图神经网络(GNN)已经显示出在协同过滤(CF)任务中对图结构的用户-项目交互数据进行表示学习的能力。然而,由于其固有的递归消息在相邻节点之间传播,现有的基于GNN的CF模型可能会生成不可区分的和不准确的用户(项目)表示,由于低通拉普拉斯平滑算子的过度平滑和噪声效应。此外,在整个图结构中使用堆叠聚合器的递归信息传播可能导致实际应用中的可扩展性差。出于这些限制,我们提出了一个简单而有效的协同过滤模型(SimRec),结合了知识蒸馏和对比学习的力量。在SimRec中,教师GNN模型和轻量级学生网络之间实现了自适应知识转移,不仅可以保留全局协作信号,还可以解决表示重新校准的过度平滑问题。在公共数据集上的实证结果表明,与各种强基线相比,SimRec具有更好的效率,同时保持了卓越的推荐性能。我们的实现可在https://github.com/HKUDS/SimRec上公开获得。
2023-03-21 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
AFDGCF: Adaptive Feature De-correlation Graph Collaborative Filtering for Recommendations
针对图神经网络推荐系统中被忽视的嵌入过相关问题,本文建立其与过平滑的关联,提出AFDGCF框架动态施加特征相关性惩罚,经多模型多数据集实验验证可同时缓解两类问题、提升推荐效果。
2024-04-15 cs.IR
Kernel-CF: Collaborative filtering done right with social network analysis and kernel smoothing
协同过滤是推荐系统领域最简单但最古老的机器学习算法。尽管它的历史悠久,但它仍然是研究场所的讨论主题。通常人们使用与目标客户的相似度得分大于0的用户/项目来计算算法。然而,经过仔细审查,这可能不是最佳解决方案。在本文中,我们将推荐系统的输入数据转换成一个2-D的社会网络,并应用核平滑计算用户项目评分矩阵中的未知值的偏好。本文将推荐系统的理论框架与非参数统计相结合,给出了一个实现该目标的算法流程和最优参数选择方法。
2023-03-08 cs.IR
Feedback Reciprocal Graph Collaborative Filtering
针对交互图中着迷与不着迷反馈造成的跷跷板问题,本文提出FRGCF,通过双图分离、反馈互惠对比学习和宏观反馈建模提升推荐效果。
2024-08-05 cs.IR
cf2vec: Collaborative Filtering algorithm selection using graph distributed representations
使用元学习的算法选择旨在找到问题特征(即元特征)与相对算法性能之间的映射,以预测新数据集的最佳算法。因此,最重要的是所使用的元特征是信息性的。在协同过滤中,最近的研究已经创建了一个广泛的集合,这样的元特征。然而,由于这些是基于从业者对问题的理解而创建的,因此它们可能无法捕获正确描述问题所需的最相关的方面。我们建议克服这个问题,利用表示学习,这是能够创建一个替代问题的表征,通过数据指导的设计表示,而不是从业者的意见。我们的假设指出,这种替代表示可以用来取代标准的元特征,从而导致一个更强大的方法元学习。我们提出了一个新的过程,专门设计的协同过滤算法的选择。该过程模型协同过滤的图形和提取分布式表示使用graph2vec。实验结果表明,所提出的程序创建的表示,具有竞争力的国家的最先进的元特征,同时需要显着更少的数据,几乎没有任何人工输入。
2018-09-17 cs.IR
Multi-Domain Collaborative Filtering
Hong Kong University of Science and Technology(香港科技大学)
协同过滤是一种有效的推荐方法,其中用户对某一项的偏好是基于具有相似兴趣的其他用户的偏好来预测的。使用协同过滤方法的一个大挑战是数据稀疏性问题,这通常是因为每个用户通常只对很少的项目进行评级,因此评级矩阵非常稀疏。在本文中,我们解决这个问题,同时考虑多个协同过滤任务在不同的领域,并利用域之间的关系。我们称之为多域协同过滤(MCF)问题。为了解决MCF问题,我们提出了一个概率框架,它使用概率矩阵分解来模拟每个域中的评级问题,并允许通过自动学习域之间的相关性来自适应地跨不同域传输知识。我们还引入了不同领域的链接函数,以纠正他们的偏见。几个现实世界的应用程序进行的实验表明,我们的方法相比,一些代表性的方法的有效性。
2012-03-15 cs.AI cs.IR
Geometric Interaction Augmented Graph Collaborative Filtering
基于图的协同过滤能够从高阶交互中捕捉到本质的、丰富的协同信号,因而受到越来越多的研究兴趣。传统上,用户和项目的嵌入被定义在欧几里得空间中,以及交互图上的传播。同时,近年来的研究表明,高阶相互作用自然形成了双曲模型赖以生存的树状结构,但相互作用图本身具有混合和嵌套的几何特征,而现有的单一几何模型不足以完全捕捉这种复杂的拓扑模式.在本文中,我们提出了一个混合几何空间中的用户-项目交互建模,其中的优点,欧几里德和双曲空间同时享有学习表达表示。在公开数据集上的实验结果验证了该方法的有效性。
2022-08-02 cs.IR
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
Latent Factor Interpretations for Collaborative Filtering
许多机器学习系统利用潜在因素作为进行预测的内部表示。然而,由于这些潜在因素在很大程度上是无法解释的,因此使用它们进行的预测是不透明的。通过矩阵分解的协同过滤是这种算法的一个主要例子,它使用了未解释的潜在特征,并且已经被广泛应用于许多推荐任务。我们提出了潜在因素解释(LFI),一种通过利用人类可理解的特征对潜在因素进行解释来解释模型的方法。对潜在因素的解释可以取代未解释的潜在因素,从而产生一个新的模型,该模型根据可解释的特征来表达预测。这个新的模型,然后可以解释使用最近开发的模型解释技术。在本文中,我们开发LFI的协同过滤推荐系统。我们说明了在MovieLens数据集上使用LFI解释,整合了来自IMDB和DB tropes的辅助特征,并表明可以足够准确地预测潜在因素,以复制真实模型的预测。
2018-04-09 cs.IR
LiRa: A New Likelihood-Based Similarity Score for Collaborative Filtering
推荐系统数据对数据采掘、机器学习和算法社区提出了独特的挑战。高缺失数据率与推荐系统数据典型的大规模和高维度相结合,需要新的工具和方法来进行有效的数据分析。在这里,我们解决的挑战,在推荐系统中,对于每个用户只有一个小的评级是可用的两个用户之间的相似性评估。我们提出了一个新的相似性得分,我们称之为LiRa,基于用户相似性的统计模型,大规模的,离散值的数据与许多缺失值。我们发现,这个分数,基于似然比,是更有效地识别相似的用户比传统的相似性分数,基于用户的协同过滤,如皮尔逊相关系数。我们认为,我们的方法具有显着的潜力,以提高协同过滤的准确性和可扩展性。
2017-03-20 cs.IR
A Collaborative Filtering Based Approach for Recommending Elective Courses
在今天的管理教育课程中,学生在选择选修课时面临着困难,因为选修课的数量很多。随着可供选择的不同选修课程的范围和多样性增加,帮助学生选择课程的课程推荐系统变得更加相关。在本文中,我们扩展了协同过滤方法的概念,开发了一个课程推荐系统。所提出的方法为学生提供了一个准确的预测,他们可能会得到的成绩,如果他们选择一个特定的课程,这将是有帮助的,当他们决定选择选修课程,因为成绩是一个重要的参数,而学生决定选修课程。我们实验评估的协同过滤方法在现实生活中的数据集,并表明,该系统是有效的准确性。
2013-09-26 cs.IR
CFW: A Collaborative Filtering System Using Posteriors Over Weights Of Evidence
Microsoft Research(微软研究院)
我们描述CFW,一个计算效率高的算法,使用后验的证据权重的协同过滤。在真实数据的实验中,我们表明,这种方法预测以及或优于其他方法的情况下,用户查询的大小是小的。新方法在用户查询包含低频(不受欢迎)项目时特别有效。该方法补充了依赖网络在查询规模较大时表现良好的方法。在本文中,我们还认为使用后验比证据权重更重要是推荐相似项目协同过滤任务的一种自然方法。
2015-05-16 cs.AI cs.IR
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
Simulated Annealing with Levy Distribution for Fast Matrix Factorization-Based Collaborative Filtering
Cairo University(开罗大学)
矩阵分解是协同过滤的最佳方法之一,因为它能准确地呈现用户和项目的潜在因素。矩阵分解的主要缺点是其复杂性,并且很难并行化,特别是对于非常大的矩阵。提出了一种基于矩阵分解的协同过滤算法,该算法将模拟退火算法与Levy分布相结合。通过使用这种方法,良好的解决方案,在可接受的时间内实现低计算,相比其他方法,如随机梯度下降,交替最小二乘法,加权非负矩阵分解。
2017-08-09 cs.IR cs.LG stat.ML
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
Role of Matrix Factorization Model in Collaborative Filtering Algorithm: A Survey
推荐系统应用信息检索技术来选择与给定用户相关的在线信息。协同过滤是目前应用最广泛的推荐系统构建方法。CF技术以用户项目评分的形式使用用户行为作为其用于预测的信息源。CF算法面临的主要挑战是评分矩阵的稀疏性和数据的增长性。矩阵分解很好地解决了这些挑战。在本文中,我们试图提出一个概述不同的MF模型的作用,以解决CF算法的挑战,这可以作为在这一领域的研究路线图。
2015-03-25 cs.IR
Binarized Collaborative Filtering with Distilling Graph Convolutional Networks
基于隐式反馈的前K项推荐效率对于现实世界中的推荐系统至关重要,但由于缺乏负样本和大量候选项,因此具有很大的挑战性。为了解决这些问题,我们首先提出了一种改进的图卷积网络~(GCN)模型,该模型考虑了高阶特征间的相互作用。然后将GCN中的排序信息进行二值化处理,利用二值化表示提高在线推荐的效率。然而,二进制码不仅难以优化,而且在训练过程中容易造成信息丢失。因此,我们提出了一个新的框架,将二元约束优化问题转化为一个等价的连续优化问题与随机惩罚。然后,二进制化的协同过滤模型可以很容易地由许多流行的求解器(如SGD和Adam)进行优化。最后,该算法在三个真实世界的数据集上进行了评估,并显示出对竞争基线的优越性。
2019-06-05 cs.IR
Ethical AI prompt recommendations in large language models using collaborative filtering
University of Brighton(布莱顿大学);Catalink Limited(Catalink有限公司)
本文提出利用协同过滤技术在大型语言模型中提升伦理提示推荐,通过合成数据集和用户互动减少偏见,解决伦理AI中的透明度和公平性问题。
2025-10-08 cs.IR
Neural Fair Collaborative Filtering
University of Maryland, Baltimore County(马里兰大学巴尔的摩郡分校);Hong Kong University of Science and Technology(香港科技大学)
越来越多的人类互动在社交媒体平台上被数字化,并受到算法决策的影响,确保这些算法的公平对待变得越来越重要。在这项工作中,我们研究了在社交媒体数据上训练的协作过滤推荐系统中的性别偏见。我们开发了神经公平协同过滤(NFCF),这是一个实用的框架,用于在推荐敏感项目(例如工作,学术浓度或学习课程)时减轻性别偏见,使用神经协同过滤的预训练和微调方法,并辅以偏见校正技术。我们分别在MovieLens数据集和Facebook数据集上展示了我们的方法在性别去偏见职业和大学专业推荐方面的实用性,并实现了比几个最先进的模型更好的性能和更公平的行为。
2020-09-02 cs.IR cs.LG stat.ML
Comprehensive Evaluation of Matrix Factorization Models for Collaborative Filtering Recommender Systems
本文在四个协同过滤数据集上评估六种矩阵分解模型,从预测、推荐、新颖性、多样性、可解释性等维度比较其适用性,并开放框架与代码以保证可复现。
2024-10-25 cs.IR
AutoSVD++: An Efficient Hybrid Collaborative Filtering Model via Contractive Auto-encoders
协同过滤(CF)已经成功地用于为用户提供个性化的产品和服务。然而,处理日益稀疏的用户-项目矩阵仍然是一个挑战。为了解决这样的问题,混合CF,如结合基于内容的过滤和利用用户和项目的边信息,已被广泛研究,以提高性能。然而,这些方法中的大多数依赖于手工制作的特征工程,这通常是容易受到噪声的影响,并受到不同的特征提取和选择方案的影响。在本文中,我们提出了一个新的混合模型,通过推广压缩自动编码器范式到矩阵分解框架具有良好的可扩展性和计算效率,联合模型的内容信息的有效性和紧凑性的表示,并利用隐式用户反馈,使准确的建议。在三个大规模真实数据集上进行的实验表明,该方法在项目推荐方面优于其他方法。
2017-06-13 cs.IR
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
Towards Large Scale Training Of Autoencoders For Collaborative Filtering
Anghami(安加米)
针对隐式反馈协同过滤问题,提出了一种基于小批量负采样的隐式反馈协同过滤潜因子自编码器模型的有效训练方法.我们将我们的工作与不同实验数据集上的最先进的基线模型进行比较,并表明这种方法可以导致基线模型性能的良好和快速近似。源代码可以在https://github.com/amoussawi/recoder上找到。
2018-10-23 cs.IR cs.LG stat.ML
Collaborative filtering based on multi-channel diffusion
在本文中,通过应用扩散过程,我们提出了一个新的指标来量化两个用户之间的相似性在用户-对象二分图。为了处理对象上的离散评级,我们使用多通道表示,其中每个对象被映射到多个通道,通道的数量等于不同评级的数量。每个频道表示某个等级,并且已经投票给对象的用户将被连接到与该等级相对应的频道。扩散过程发生在这样的用户通道二分图给出了一个新的用户对的相似性度量,这是进一步证明了比经典的皮尔逊相关系数在标准的协同过滤框架下更准确。
2009-06-05 cs.IR
Trading Hard Negatives and True Negatives: A Debiased Contrastive Collaborative Filtering Approach
协同过滤(CF)作为一种标准的隐式反馈推荐方法,解决了大多数交互数据不可观察的半监督学习问题。这种性质使得现有方法高度依赖于挖掘否定来提供正确的训练信号。然而,挖掘适当的否定并不是免费的午餐,在挖掘信息丰富的硬否定和避免错误否定之间遇到了棘手的权衡。我们设计了一种新的方法命名为硬感知的无偏对比协同过滤(HDCCF)来解决这个困境。它可以从两个方面充分探索硬否定:1)通过一个集合式目标自适应地锐化较硬实例的梯度,以及2)使用新的采样策略隐式地利用项目/用户频率信息。为了避免假阴性,我们开发了一种原则性的方法来提高负实例的可靠性,并证明了目标是从真阴性分布中抽样的无偏估计。大量的实验表明,该模型优于现有的CF模型和硬负挖掘方法。
2022-07-01 cs.IR
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
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
On the Effectiveness of Low-rank Approximations for Collaborative Filtering compared to Neural Networks
即使在深度学习时代,通过将矩阵分解为用户和项目潜在因素的低秩近似仍然是协同过滤任务的首选方法,因为它们具有出色的性能。虽然基于深度学习的方法在项目、用户甚至上下文的附加特征可用的混合推荐任务中表现出色,但与不使用附加特征的纯协同过滤任务的低秩近似相比,它们的灵活性似乎会损害性能。最近的研究提出了结合低秩近似和传统深度神经架构的混合模型,结果很有希望,但未能解释为什么单独的神经网络不适合这项任务。在这项工作中,我们重新审视低秩近似背后的模型和直觉,指出其适用于协同过滤任务。在几个实验中,我们比较了基于深度神经网络和低秩近似的模型的性能和行为,以研究传统深度神经网络效率低下的原因。我们的结论是,传统的深度神经网络的通用近似能力严重损害了合适的潜在向量的确定,导致更差的性能相比,低秩近似。
2019-05-30 cs.IR
From Knots to Knobs: Towards Steerable Collaborative Filtering Using Sparse Autoencoders
Recombee;Faculty of Mathematics and Physics, Charles University(查理大学数学与物理学院);Faculty of Information Technology, Czech Technical University(捷克理工大学信息技术学院)
本文首次将稀疏自编码器应用于协作过滤,通过在编码器和解码器之间插入SAE来增强协作自编码器,以实现推荐方向的可控性。
2026-01-16 cs.IR
Leveraging Deep Learning Techniques on Collaborative Filtering Recommender Systems
本文专门综述了基于深度学习的协同过滤推荐系统,系统梳理其研究热度、空白与忽视领域,以应对冷启动和数据稀疏性问题。
2023-04-18 cs.IR
Optimization and Scalability of Collaborative Filtering Algorithms in Large Language Models
University of Houston(休斯顿大学);University of California San Diego(加州大学圣地亚哥分校);San Francisco State University(旧金山州立大学);Brown University(布朗大学)
本文针对大型语言模型中协同过滤算法面临的计算成本高、数据稀疏、冷启动和可扩展性差等问题,提出矩阵分解、近似最近邻搜索、并行计算、分布式架构和模型压缩等优化策略,以提升推荐系统的效率、精度和可扩展性。
2024-12-25 cs.AI cs.IR