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
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
An Explainable Autoencoder For Collaborative Filtering Recommendation
University of Louisville(路易斯维尔大学)
自编码器是深度学习架构的常见构建块,它们主要用于表示学习。它们也被成功地用于协同过滤(CF)推荐系统,以预测缺失的评级。不幸的是,像所有黑盒机器学习模型一样,它们无法解释它们的输出。因此,虽然基于Autoencoder的推荐系统的预测可能是准确的,但用户可能不清楚为什么会生成推荐。在这项工作中,我们设计了一个可解释的推荐系统,使用Autoencoder模型,其预测可以解释使用基于邻域的解释风格。我们的初步工作可以被认为是迈向基于自动编码器的可解释深度学习架构的第一步。
2019-12-23 cs.AI cs.IR cs.LG
Handling Cold-Start Collaborative Filtering with Reinforcement Learning
Carnegie Mellon University(卡内基梅隆大学)
推荐系统中的一个主要挑战是处理新用户,他们也被称为$\textit{cold-start}$用户。在本文中,我们提出了一种新的方法来学习一系列最佳的问题,以访问冷启动用户的电影推荐系统。我们建议使用Deep Q Networks来学习面试问题,以创建用户简档,从而为冷启动用户提供更好的推荐。虽然我们提出的系统是使用电影推荐系统进行训练的,但我们的Deep Q Network模型应该可以推广到各种类型的推荐系统。
2018-06-16 cs.AI cs.IR cs.LG
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
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
Item2Vec: Neural Item Embedding for Collaborative Filtering
Tel Aviv University(特拉维夫大学);Microsoft(微软)
许多协同过滤(CF)算法是基于项目的,因为它们分析项目之间的关系,以产生项目的相似性。最近,在自然语言处理(NLP)领域中的一些工作建议使用神经嵌入算法来学习单词的潜在表示。其中,具有负采样的跳过语法(SGNS),也被称为word 2 vec,被证明在各种语言学任务上提供了最先进的结果。在本文中,我们表明,基于项目的CF可以在神经词嵌入相同的框架。受SGNS的启发,我们描述了一种方法,我们命名为item 2 vec的基于项目的CF,产生嵌入的潜在空间中的项目。该方法即使在用户信息不可用时也能够推断项目-项目关系。我们目前的实验结果表明,item 2 vec方法的有效性,并显示它是具有竞争力的SVD。
2017-02-20 cs.AI cs.IR cs.LG
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
Echo Chambers in Collaborative Filtering Based Recommendation Systems
Stanford University(斯坦福大学);University of Washington(华盛顿大学);University of California, Los Angeles(加州大学洛杉矶分校);University of California, Berkeley(加州大学伯克利分校)
推荐系统支撑着现代几乎所有在线内容的服务。从Youtube和Netflix推荐,到Facebook订阅和谷歌搜索,这些系统旨在根据用户的预测偏好过滤内容。最近,这些系统面临着越来越多的批评,就其对内容多样性,社会两极分化和健康的公共话语的影响。在这项工作中,我们模拟了协同过滤算法在MovieLens数据集中对用户的推荐。我们发现,长期接触系统生成的建议大大减少了内容多样性,移动个人用户进入“回声室”的特点是一个狭窄的内容范围。此外,我们的工作表明,一旦这些回声室已经建立,这是很难为个人用户突破单独操纵自己的评级向量。
2020-11-08 cs.AI cs.IR cs.LG
Explainable Recommendations via Attentive Multi-Persona Collaborative Filtering
Ariel University(阿里尔大学);Tel Aviv University(特拉维夫大学);Bar-Ilan University(巴伊兰大学)
在推荐系统中,两个主要的挑战是对具有不同品味的用户进行建模,并提供可解释的推荐。在本文中,我们提出了一个统一的解决方案,这两个问题的神经注意力多角色协作过滤(AMP-CF)模型。AMP-CF将用户分解为几个潜在的“人物角色”(配置文件),以识别和辨别用户的不同品味和倾向。然后,揭示的人物角色用于为用户生成和解释最终的推荐列表。AMP-CF将用户建模为一个有注意力的人物角色混合体,支持基于所考虑的项目而变化的动态用户表示。我们展示了AMP-CF上的五个协同过滤数据集的域的电影,音乐,视频游戏和社交网络。作为一个额外的贡献,我们提出了一种新的评价方案,用于比较不同的项目在推荐列表中的基础上的距离从底层分布的“口味”在用户的历史项目。实验结果表明,AMP-CF是竞争力与其他国家的最先进的模型。最后,我们提供了定性的结果来展示AMP-CF解释其建议的能力。
2020-09-26 cs.AI cs.IR 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
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
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
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
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
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
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
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
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
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
Molar: Multimodal LLMs with Collaborative Filtering Alignment for Enhanced Sequential Recommendation
University of Science and Technology of China(中国科学技术大学)
针对LLM序列推荐缺乏协同过滤信息的问题,提出多模态框架Molar,通过统一多模态物品表示与后对齐协同信号,显著提升序列推荐准确性。
2024-12-30 cs.AI 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
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
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
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
Popularity Bias in Collaborative Filtering-Based Multimedia Recommender Systems
Know-Center GmbH(Know-Center有限公司);Graz University of Technology(格拉茨技术大学)
多媒体推荐系统建议媒体项目,例如,歌曲、(数字)书籍和电影,提供给用户。在本文中,我们研究了这种基于协作过滤的多媒体推荐系统的一个潜在问题,即流行的偏见,导致不受欢迎的项目在推荐列表中的代表性不足。因此,我们研究了四个多媒体数据集,即,LastFm、MovieLens、BookCrossing和MyAnimeList,我们将它们各自分成三个用户组,这三个用户组的受欢迎程度不同,即,LowPop、MedPop和HighPop。使用这些用户组,我们评估了四个合作过滤为基础的算法的流行偏见的项目和用户的水平。我们的发现有三个方面:首先,我们表明,对流行项目不感兴趣的用户往往具有大的用户简档,因此是多媒体推荐系统的重要数据源。其次,我们发现受欢迎的项目比不受欢迎的项目更频繁地被推荐。第三,我们发现,用户很少兴趣到流行的项目收到显着较差的推荐比用户有中等或高的兴趣到流行。
2022-03-01 cs.AI cs.IR
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
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
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
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
Hybrid Collaborative Filtering with Autoencoders
Univ. Lille, CNRS, Centrale Lille UMR 9189 - CRIStAL(里尔大学、法国国家科学研究中心、中央理工学院里尔分校 UMR 9189 - CRIStAL)
协同过滤旨在利用用户的反馈来提供个性化的推荐。这种算法在一个大型稀疏的评级矩阵中寻找潜在变量。它们可以通过添加辅助信息来增强,以解决众所周知的冷启动问题。虽然神经网络在图像和语音识别方面取得了巨大的成功,但在协同过滤方面却没有得到足够的重视。更令人惊讶的是,神经网络能够发现大型异构数据集中的潜在变量。在本文中,我们介绍了一个协同过滤神经网络架构,又名CFN计算一个非线性矩阵分解稀疏评级输入和边信息。我们在MovieLens和豆瓣数据集上的实验表明,CFN超越了最先进的技术水平,并受益于边信息。我们提供了一个可重用的火炬,一个流行的神经网络框架插件的算法的实现。
2016-07-19 cs.AI cs.IR cs.NE
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 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
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
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
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
Boolean kernels for collaborative filtering in top-N item recommendation
University of Padova(帕多瓦大学)
在许多个性化推荐问题中,可用数据仅由用户和项目之间的积极交互(隐式反馈)组成。这个问题也被称为单类协同过滤(OC-CF)。线性模型通常在OC-CF问题上实现最先进的性能,并且已经投入了许多努力来构建能够改进推荐的更具表达力和复杂的表示。最近的分析表明,协同过滤(CF)数据集具有独特的特点,如高稀疏性和长尾分布的评级。在本文中,我们提出了一个布尔内核,称为析取内核,这是表达比线性的,但它能够减轻稀疏CF上下文中的问题。该核的嵌入由输入变量的某个元数d的所有组合组成,并且这些组合特征在语义上被解释为输入变量的析取。在多个CF数据集上的实验表明了该核函数的有效性和高效性。
2017-07-18 cs.AI 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
Personalized Neural Embeddings for Collaborative Filtering with Text
Hong Kong University of Science and Technology(香港科技大学);Department of Computer Science and Engineering(计算机科学与工程系)
协同过滤是推荐系统的核心技术。传统的CF方法利用用户-项目关系(例如,点击、喜欢和观看),因此它们遭受数据稀疏性问题。项目通常与非结构化文本相关联,例如文章摘要和产品评论。我们开发了一个个性化神经嵌入(PNE)框架,以无缝地利用交互和单词。我们学习这样的嵌入用户,项目和单词联合,并预测用户的喜好项目的基础上,这些学习的表示。PNE通过行为因素和语义因素两个方面来估计用户喜欢某个项目的概率。在两个真实世界的数据集上,PNE在三个指标方面表现出比四个最先进的基线更好的性能。我们还表明,PNE学习有意义的词嵌入的可视化。
2019-03-19 cs.AI cs.CL 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
NeuSE: A Neural Snapshot Ensemble Method for Collaborative Filtering
Fudan University(复旦大学);University of Electronic Science and Technology of China(电子科技大学);Shanghai Jiao Tong University(上海交通大学);IBM Research - China(IBM中国研究院)
在协同过滤(CF)算法中,最优模型通常通过全局最小化所有观测数据的经验风险来学习。然而,全局模型通常经由用户/项目之间的性能折衷来获得,即,由于CF算法中的硬非凸优化问题,并非所有用户/项目都完全适合全局模型。包围学习可以通过学习多个不同的模型来解决这个问题,但通常在大型数据集或复杂算法上存在效率问题。在本文中,我们保持在全局模型学习过程中获得的中间模型作为快照模型,然后使用基于记忆网络的方法自适应地组合单个用户-项目对的快照模型。在三个真实数据集上的实验表明,该方法在应用于多种现有的协同过滤方法时,可以广泛而显著地提高准确率(相对提高15.9%).
2021-04-15 cs.IR cs.LG
Hotel Recommendation System Based on User Profiles and Collaborative Filtering
EtsTur İstanbul(EtsTur 伊斯坦布尔);Bilgisayar ve Bilişim Fakültesi İstanbul Teknik Üniversitesi(伊斯坦布尔理工大学计算机与信息学院);Bilgisayar Mühendisliği Bölümü Koç Üniversitesi(科奇大学计算机工程系)
如今,人们开始使用在线预订系统来计划他们的假期,因为他们有大量的选择。从这个大规模的选择中选择何时何地变得越来越困难。此外,有时消费者可能会错过更好的选择,因为在线预订系统上有丰富的信息。从这个意义上说,个性化服务,如推荐系统在决策中发挥着至关重要的作用。两种传统的推荐技术是基于内容的和协同过滤。虽然这两种方法都有各自的优点,但它们也有一定的缺点,其中一些可以通过结合这两种技术来解决,以提高推荐的质量。由此产生的系统被称为混合推荐系统。本文提出了一种新的混合式酒店推荐系统,该系统结合了基于内容和协同过滤的方法,为客户推荐他们需要的酒店,并节省他们的时间损失。
2020-09-21 cs.IR cs.LG
Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach
South China Agricultural University(华南农业大学);Sun Yat-sen University(中山大学);South China University of Technology(华南理工大学)
本文提出广度协同过滤(BroadCF),用广度学习系统替代深度神经网络学习用户与物品间的非线性关系,并通过用户-物品评分协同向量预处理生成低维输入,在七个基准数据集上验证了其高效且准确的推荐性能。
2024-02-24 cs.IR cs.LG
UIPC-MF: User-Item Prototype Connection Matrix Factorization for Explainable Collaborative Filtering
National Tsing Hua University(台湾清华大学);Chang Gung University(长庚大学)
本文提出 UIPC-MF,一种基于用户-物品原型连接权重的矩阵分解方法,在保持高推荐准确率的同时提升可解释性,并在三个数据集上优于现有原型基线方法。
2023-08-14 cs.IR cs.LG
Ordinal Boltzmann Machines for Collaborative Filtering
Curtin University of Technology(科廷理工大学)
协同过滤是一种有效的推荐技术,其中个人的偏好可以潜在地基于其他成员的偏好来预测。早期的算法通常依赖于偏好数据中的强局部性,也就是说,基于具有相似品味的其他用户或具有相似属性的其他项目的一小部分来预测用户对特定项目的偏好就足够了。最近,降维技术已被证明是同样具有竞争力的,这些都是基于同现模式,而不是局部性。本文探讨和扩展了一个概率模型称为玻尔兹曼机的协同过滤任务。它无缝地集成了相似性和同现在一个原则的方式。特别是,我们研究参数化选项来处理的顺序性质的偏好,并提出了一个联合建模的用户为基础的和基于项目的过程。在中等规模和大规模的电影推荐上的实验表明,我们的框架可以与现有的知名方法相媲美。
2012-05-09 cs.IR cs.LG
Blurring-Sharpening Process Models for Collaborative Filtering
Yonsei University(延世大学)
受图滤波和基于分数的生成模型启发,提出模糊-锐化过程模型(BSPM)用于协同过滤,在理论上统摄现有模型,并在三个基准数据集上的Recall和NDCG指标上优于现有方法且处理时间与快速基线相当。
2023-04-06 cs.IR cs.LG
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
Alleviating Behavior Data Imbalance for Multi-Behavior Graph Collaborative Filtering
Jinan University(暨南大学);Zhejiang University(浙江大学);The Hong Kong Polytechnic University(香港理工大学);South China Agricultural University(华南农业大学);Guangdong University of Finance(广东金融学院)
提出IMGCF模型,利用多任务学习框架,通过丰富行为域表示增强稀疏行为学习,缓解多行为图协同过滤中的数据不平衡,提升推荐性能。
2023-11-12 cs.AI cs.IR
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