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
Exploiting sparsity to build efficient kernel based collaborative filtering for top-N item recommendation
University of Padova(帕多瓦大学)
越来越多的隐式反馈数据集的可用性提高了开发有效的协同过滤技术,能够处理不对称的明确的正反馈和模糊的负反馈的兴趣。在本文中,我们提出了一个原则性的基于核的协同过滤方法的前N项的建议与隐式反馈。我们提出了一个有效的实现使用的线性内核,我们展示了如何将其推广到内核的点积家庭保持效率。我们还研究了影响标准余弦核稀疏性的元素。该分析表明,核的稀疏性强烈地依赖于数据集的属性,特别是依赖于长尾分布。我们比较我们的方法与国家的最先进的算法取得了良好的效果,无论是在效率和有效性。
2016-12-17 cs.AI cs.IR cs.LG
CoRA: Collaborative Information Perception by Large Language Model's Weights for Recommendation
Northeastern University(东北大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对LLM推荐中微调损害通用知识、协同特征干扰提示语义的问题,本文提出CoRA,将协同信息经查询生成与低秩权重转换注入LLM参数空间,实现免微调、免额外标记的个性化推荐并提升性能。
2024-10-25 cs.IR cs.LG
Learning to Fast Unrank in Collaborative Filtering Recommendation
针对推荐系统遗忘效率低的问题,本文提出L2UnRank方法,通过p跳传播识别影响范围、计算结构与语义影响并进行排序感知的参数更新,在保持推荐质量的同时实现50倍加速的取消排名。
2025-11-10 cs.AI cs.IR cs.LG
A Comprehensive Review on Non-Neural Networks Collaborative Filtering Recommendation Systems
Université de la Polynésie Française(法属波利尼西亚大学);NzhinuSoft
在过去的二十年里,由于在线应用程序中数据量的爆炸式增长,推荐系统引起了人们的极大兴趣。一个特别的注意力已经支付给协同过滤,这是最广泛使用的应用程序,涉及信息推荐。协同过滤(CF)使用一组用户的已知偏好来对其他用户的未知偏好进行预测和推荐(推荐是基于用户的过去行为)。1990年代首次引入,提出了各种各样越来越成功的模式。由于机器学习技术在许多领域的成功,在推荐系统中应用这些算法已经越来越受到重视。在本文中,我们概述了推荐系统的CF方法、其两个主要类别及其评估指标。我们专注于经典的机器学习算法的CF推荐系统的应用,提出他们的进化,从他们的第一个用例,先进的机器学习模型。我们试图提供一个全面的CF系统(与Python实现)的比较概述,可以作为在这一领域的研究和实践的指导方针。
2021-06-22 cs.AI cs.IR cs.LG
RRCM: Ranking-Driven Retrieval over Collaborative and Meta Memories for LLM Recommendation
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Illinois at Chicago(伊利诺伊大学香槟分校);Capital One AI Foundations(Capital One AI基金会);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
RRCM通过排序驱动的检索与推理框架,解决LLM推荐中构建相关上下文的挑战,利用自然语言表示的协作和元记忆,实现灵活的证据获取,提升推荐质量。
2026-09-29 cs.AI cs.IR cs.LG
A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to Information-rich Recommendation
Hefei University of Technology(合肥工业大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院);University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学)
受深度学习在计算机视觉和语言理解领域取得巨大成功的影响,推荐领域的研究已经转向发明基于神经网络的新推荐模型。近年来,由于神经网络强大的表示能力,神经推荐模型的研究取得了重大进展,它推广和超越了传统的推荐模型。本文从推荐建模的角度,以推荐准确率为目标,对神经推荐模型进行了系统的综述,旨在对该领域的研究进行总结,以方便推荐系统的研究者和实践者。具体来说,根据推荐建模过程中的数据使用情况,我们将工作分为协同过滤和信息丰富推荐:1)协同过滤,它利用用户-项目交互数据的关键来源; 2)内容丰富推荐,它另外利用与用户和项目相关的辅助信息,如用户简档和项目知识图谱;以及3)时间/顺序推荐,它考虑与交互相关的上下文信息,例如时间、位置和过去的交互。在回顾了每种类型的代表性工作后,我们最后讨论了这一领域中一些有前途的方向。
2021-12-27 cs.IR cs.LG
Sequential Recommendation with Dual Side Neighbor-based Collaborative Relation Modeling
Shanghai Jiao Tong University(上海交通大学);Microsoft Research Asia(微软亚洲研究院)
顺序推荐任务的目的是根据用户的历史行为预测用户对未来项目的偏好。用户行为的顺序意味着在行为历史中嵌入了丰富的序列模式,这些模式揭示了用户兴趣的潜在动态。提出了各种顺序推荐方法来建模动态用户行为。然而,大多数模型只考虑了用户自身的行为和动态,而忽略了用户和项目之间的协作关系,即,用户的相似品味或物品的相似属性。由于没有对协作关系进行建模,这些方法缺乏推荐多样性,因此可能具有更差的性能。更糟糕的是,大多数现有的方法只考虑用户端的序列,而忽略了项目端的时间动态。为了解决目前的顺序推荐模型的问题,我们提出了顺序协作推荐(SCoRe),有效地挖掘高阶协作信息,使用跨邻居关系建模,并利用用户端和项目端的历史序列,以更好地捕捉用户和项目的动态。在三个真实世界的大规模数据集上的实验表明,该模型优于强基线。
2019-11-10 cs.IR cs.LG
Collaborative Filtering Bandits
University of Insubria(因苏布里亚大学);Telefónica Research(西班牙电信研究中心)
经典的协同过滤和基于内容的过滤方法试图在给定训练数据的情况下学习静态推荐模型。这些方法在高度动态的推荐领域(如新闻推荐和计算广告)中远非理想,这些领域的项目和用户集非常不稳定。在这项工作中,我们研究了一种自适应聚类技术的内容推荐的基础上探索开发策略的上下文多臂强盗设置。我们的算法考虑到由于用户与项目的交互而产生的协作效应,通过基于正在考虑的项目动态地对用户进行分组,并且同时基于在用户上引起的聚类的相似性对项目进行分组。由此产生的算法,从而利用数据中的偏好模式的方式类似于协同过滤方法。我们对中等规模的真实世界数据集进行了实证分析,显示了可扩展性和提高的预测性能(以点击率为衡量标准),超过了最先进的集群方法。我们还提供了一个标准的线性随机噪声设置内的遗憾分析。
2016-05-31 cs.AI cs.LG stat.ML
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
Bias Disparity in Collaborative Recommendation: Algorithmic Evaluation and Comparison
Eindhoven University of Technology(埃因霍温理工大学);DePaul University(德保罗大学);University of Colorado Boulder(科罗拉多大学博尔德分校)
机器学习中的公平性研究最近已经扩展到推荐系统。可能影响公平性的因素之一是偏见差异,即一个群体对各种项目类别的偏好未能反映在他们收到的推荐中的程度。在某些情况下,原始数据中的偏差可能会被潜在的推荐算法放大或逆转。在本文中,我们探讨了不同的推荐算法如何反映排名质量和偏见差距之间的权衡。我们的实验包括基于邻域的,基于模型的,和信任感知的推荐算法。
2019-08-02 cs.IR cs.LG cs.SI
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
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
ACDNet: Attention-guided Collaborative Decision Network for Effective Medication Recommendation
Southeast University(东南大学)
本文提出 ACDNet,结合注意力机制、Transformer 与协同决策框架建模患者历史就诊及用药-药物表示相似性,并在 MIMIC-III/IV 上验证其药物推荐性能优于现有方法。
2023-09-26 cs.LG
A Collaborative Approach to Angel and Venture Capital Investment Recommendations
New York University(纽约大学)
矩阵分解被用来产生投资建议给投资者。采用迭代共轭梯度法优化正则化平方误差损失函数。探索了潜在因子的数量、迭代次数和正则化值。过拟合可以通过提前停止或正则化参数调整来解决。该模型实现了最高的平均预测精度为13.3%。使用类似的模型,使用相同的数据集为正在融资的公司生成投资者推荐,其预测准确率最高为11.1%。
2018-07-26 cs.IR cs.LG q-fin.GN
CoCoB: Adaptive Collaborative Combinatorial Bandits for Online Recommendation
School of Computer Science and Technology, Donghua University(东华大学计算机科学与技术学院);Shanghai Institute of Artificial Intelligence for Education, East China Normal University(华东师范大学上海人工智能教育研究院)
本文提出CoCoB算法,通过用户侧与物品侧的双侧老虎机架构自适应利用邻居偏好,解决了聚类老虎机中相似用户定义不清及缺乏合适邻居时的推荐质量下降问题,并在三个数据集上取得F1平均提升2.4%的效果。
2025-05-05 cs.AI cs.IR cs.LG
Collaborative Filtering Ensemble for Personalized Name Recommendation
Universitat Politècnica de Catalunya – BarcelonaTech(加泰罗尼亚理工大学-巴塞罗那理工);Leibniz University Hannover(汉诺威莱布尼茨大学)
从成千上万的名字中选择,为您的孩子挑选合适的名字是一项艰巨的任务。在这项工作中,我们的目标是帮助父母在为孩子选择名字时做出明智的决定。我们遵循一个推荐系统的方法,并结合,在一个合奏,由简单的协同过滤算法产生的个人排名,以产生一个个性化的名单,以满足个别家长的口味。我们的实验是使用从“nameling”(nameling.net)的查询日志中收集的真实数据进行的,nameling是一个搜索和探索名称的在线门户网站,与ECML PKDD发现挑战2013中发布的数据集相对应。我们的方法直观,易于实现,并且具有快速的训练和预测步骤。
2014-07-16 cs.AI cs.IR cs.LG
Decentralized Collaborative Learning Framework for Next POI Recommendation
The University of Queensland(昆士兰大学);Griffith University(格里菲斯大学)
下一个兴趣点(POI)推荐由于其在帮助人们决定下一个兴趣点访问方面的有效性而成为基于位置的社交网络(LBSNs)中不可或缺的功能。然而,准确的推荐需要大量的历史签到数据,从而威胁到用户隐私,因为位置敏感数据需要由云服务器处理。尽管已经存在用于隐私保护POI推荐的几种设备上框架,但是当涉及到存储和计算时,它们仍然是资源密集型的,并且对用户-POI交互的高稀疏性显示出有限的鲁棒性。在此基础上,我们提出了一种新的分散式协同学习框架的POI推荐(DPOI),它允许用户训练他们的个性化模型本地在一个合作的方式。DSPs显著降低了本地模型对云的依赖,并可用于扩展任意的集中式推荐模型。为了抵消学习每个本地模型时设备上用户数据的稀疏性,我们设计了两个自监督信号来预训练服务器上的POI表示,其中POI具有地理和分类相关性。为了促进协作学习,我们创新性地提出将知识从地理或语义相似的用户到每个本地模型与细心的聚合和互信息最大化。协作学习过程利用设备之间的通信,同时仅需要来自中央服务器的较小参与来识别用户组,并且与诸如差分隐私的常见隐私保护机制兼容。我们用两个真实世界的数据集来评估DALBO,结果表明DALBO的性能优于最先进的设备上框架,并且与集中式框架相比,DALBO产生了具有竞争力的结果。
2022-08-01 cs.IR cs.LG
Multimodal Graph Retrieval-Augmented Sequential Recommendation via Collaborative Filtering Paths
University of New South Wales(新南威尔士大学)
针对现有多模态序列推荐方法忽略协同信号或计算开销大的问题,提出MGRASRec框架,通过检索用户-物品交互图的协同过滤路径注入信号,在三个公开数据集上实现最优推荐性能。
2026-10-09 cs.LG
APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation
University of Science and Technology of China(中国科学技术大学);State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室)
针对现有序列推荐方法忽略全局协同信息的自适应性与个性化的问题,提出图驱动框架APGL4SR,通过自适应全局图自监督学习、个性化相对位置编码及多任务优化提升推荐性能,效果显著优于基线。
2023-11-06 cs.IR cs.LG
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
Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation
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)
基于会话的推荐以其高度的实用价值成为推荐系统领域的研究热点之一。以往的深度学习方法大多关注当前会话内的序列特征,而忽略了会话间包含丰富协作信息的上下文相似性和时间相似性。本文提出了一种新的神经网络框架,即用于基于会话的推荐的邻域增强和时间感知推荐机(NETA)。首先,我们引入了一个有效的邻域检索机制来发现包含协作信息的相似会话;然后,我们设计了一个具有时间感知的引导注意机制来从邻域会话中提取协作表示,特别是单独考虑会话之间的时间新近性;最后,我们设计了一个简单的合作,注意力机制,以确定预测下一个项目时,互补的合作表示的重要性。世界数据集证明了我们提出的模型的有效性。
2019-10-01 cs.IR cs.LG
Quaternion Collaborative Filtering for Recommendation
University of New South Wales(新南威尔士大学);Nanyang Technological University(南洋理工大学);Amazon Inc.(亚马逊公司)
本文提出了一种新的表示学习推荐方法--四元数协同过滤(QCF)。我们提出的QCF依赖于并利用四元数代数的计算,受益于汉密尔顿产品的表达能力和丰富的表示学习能力。基于超复数的四元数表示使虚分量之间具有丰富的潜在依赖性。这鼓励在学习用户-物品交互时捕捉复杂的关系,与真实空间内积相比,这是一种强烈的归纳偏差。总之,我们在六个真实世界的数据集上进行了大量的实验,证明了四元数代数在推荐系统中的有效性。结果表明,QCF在所有数据集上都优于广泛的强神经基线。烧蚀实验证实了基于Hamilton的合成方法在实空间中的有效性。
2019-06-06 cs.IR cs.LG
Crank up the volume: preference bias amplification in collaborative recommendation
DePaul University(德保罗大学);University of Colorado Boulder(科罗拉多大学博尔德分校)
推荐系统是个性化的:我们期望给特定用户的结果反映该用户的偏好。一些研究人员研究了校准的概念,推荐与用户陈述的偏好匹配的程度,以及偏差差异,即错误校准影响不同用户组的程度。在本文中,我们研究了偏见的差距在一系列不同的算法和不同的项目类别,并证明基于模型和基于内存的算法之间的显着差异。
2019-09-13 cs.IR cs.LG stat.ML
RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation
University of Notre Dame(圣母大学);Brandeis University(布兰迪斯大学);University of Hong Kong(香港大学)
食谱推荐系统在帮助人们决定吃什么方面起着至关重要的作用。现有的食谱推荐系统通常集中在基于内容或协同过滤的方法,忽略了高阶的合作信号,如用户,食谱和食品之间的关系结构信息。在本文中,我们形式化的食谱推荐问题与图,将合作信号纳入食谱推荐通过图建模。特别是,我们首先提出了URI图,一个新的和大规模的用户配方成分图。然后,我们提出了RecipeRec,一种新的异构图形学习模型的食谱推荐。该模型通过一个具有层次注意力的异构图神经网络和一个配料集转换器Transformer来捕获菜谱内容和协作信号。我们还引入了一个图对比增强策略,以自监督的方式提取信息丰富的图知识。最后,我们设计了一个推荐和对比学习的联合目标函数来优化模型。大量的实验表明,RecipeRec优于最先进的方法的食谱推荐。数据集和代码可在https://github.com/meettyj/RecipeRec上获得。
2022-05-24 cs.IR cs.LG
Keen2Act: Activity Recommendation in Online Social Collaborative Platforms
University of Saskatchewan(萨斯喀彻温大学);Singapore Management University(新加坡管理大学);McLaren Applied(迈凯伦应用技术公司)
GitHub和Stack Overflow等社交协作平台越来越多地用于通过协作提高工作效率。为了改善这些平台中的用户体验,期望具有一种推荐系统,其不仅可以建议项目(例如,GitHub存储库),而且还包括要对建议项目执行的活动(例如,forking一个repository)。为此,我们提出了一种新的方法,称为Keen 2Act,它将推荐问题分解为两个阶段:Keen和Act步骤。Keen步骤为给定用户标识他/她可能感兴趣的项目的(子)集合。然后,Act步骤向用户推荐要对所识别的项目集执行哪些活动。这种分解提供了一种实用的方法来处理复杂的活动推荐任务,同时产生更高的推荐质量。我们使用两个真实世界的数据集来评估我们提出的方法,并获得了令人鼓舞的结果,Keen 2Act优于几个基线模型。
2020-05-11 cs.IR cs.LG cs.SE
Explainable Restricted Boltzmann Machines for Collaborative Filtering
University of Louisville(路易斯维尔大学)
大多数精确的推荐系统都是黑盒模型,隐藏了推荐背后的推理。然而,解释已经被证明可以增加用户对系统的信任,除了提供其他好处,如可感知性,这意味着能够验证推荐的有效性。准确性和透明度或可解释性之间的这种差距产生了对自动解释生成方法的兴趣。受限玻尔兹曼机(RBM)是CF的精确模型,也缺乏可解释性。在本文中,我们专注于基于RBM的协同过滤推荐,并进一步假设没有任何额外的数据源,如项目内容或用户属性。因此,我们提出了一个新的可解释的RBM技术,计算的前n个推荐列表的项目是可解释的。实验结果表明,我们的方法是有效的,在生成准确和可解释的建议。
2016-06-22 cs.LG stat.ML
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
CoNet: Collaborative Cross Networks for Cross-Domain Recommendation
Hong Kong University of Science and Technology(香港科技大学)
跨领域推荐技术是利用相关领域知识来缓解推荐系统中数据稀疏问题的一种有效方法。迁移学习是基于这些技术的一类算法。在本文中,我们提出了一种新的跨域推荐的迁移学习方法,使用神经网络作为基础模型。与基于矩阵分解的跨域技术相比,我们的方法是深度迁移学习,可以学习复杂的用户-项目交互关系。我们假设两个基本网络中的隐藏层通过交叉映射连接,从而形成协作交叉网络(CoNet)。CoNet通过引入从一个基础网络到另一个基础网络的交叉连接,实现了跨领域的双重知识转移。CoNet是在多层前馈网络中通过添加对偶连接和联合损失函数来实现的,可以通过反向传播来有效地训练。该模型在两个大型真实世界数据集上进行了全面评估。在NDCG中,它比基线相对提高了7.84%。我们证明了自适应选择表示转移的必要性。与非迁移方法相比,我们的模型可以减少数万个训练样本,并且仍然具有与它们竞争的性能。
2018-12-04 cs.AI cs.IR cs.LG
A Joint Two-Phase Time-Sensitive Regularized Collaborative Ranking Model for Point of Interest Recommendation
Università della Svizzera italiana(提契诺大学);Maastricht University(马斯特里赫特大学)
基于位置的社交网络(LBSN)的流行导致了大量的用户签到数据。在LBS网络中,兴趣点推荐是满足用户需求的关键。虽然最近的工作已经探索了采用协作排名(CR)的建议的想法,很少有人尝试将时间信息的POI推荐使用CR。在这篇文章中,我们提出了一个两阶段的CR算法,结合了地理影响的POI和正则化的基础上的方差的POI流行度和用户的活动随着时间的推移。时间敏感的正则化器惩罚过去对时间更敏感的用户和POI,帮助模型在从用户-POI交互中学习的同时考虑他们的长期行为模式。此外,在第一阶段,它试图排名访问过的POI高于未访问的,并在同一时间,应用地理的影响。在第二阶段,我们的算法尝试将用户最喜欢的POI在推荐列表中排名更高。这两个阶段都采用了协作学习策略,使模型能够从两个不同的角度捕捉复杂的潜在关联。在真实数据集上的实验表明,我们提出的时间敏感的协同排名模型击败了最先进的POI推荐方法。
2019-09-16 cs.CY cs.IR cs.LG
Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation
Shandong Normal University(山东师范大学);Shandong Computer Science Center (National Supercomputer Center in Jinan)(山东省计算中心(国家超级计算济南中心));Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东省科学院));University of Electronic Science and Technology of China(电子科技大学)
哈希算法在计算用户对项目的偏好时具有较高的计算效率和存储效率,是解决大规模推荐问题的有效方法。然而,现有的基于哈希的推荐方法仍然存在两个重要问题:1)它们的推荐过程主要依赖于用户与项目的交互和单一的特定内容特征。当交互历史或内容功能不可用时(冷启动问题),它们的性能将严重恶化。2)现有的方法采用松弛优化学习哈希码或采用离散坐标下降法直接求解二进制哈希码,这会导致大量的量化损失或消耗大量的计算时间。在本文中,我们提出了一种快速冷启动推荐方法,称为多特征离散协同过滤(MFDCF),以解决这些问题。具体而言,低秩自加权多特征融合模块的设计,自适应投影的多个内容特征到二进制但信息哈希码充分利用其互补性。此外,我们开发了一个快速的离散优化算法,直接计算的二进制哈希码与简单的操作。在两个公开的推荐数据集上的实验表明,MFDCF在各个方面都优于现有的推荐算法。
2020-03-24 cs.IR cs.LG
Probabilistic Models for Unified Collaborative and Content-Based Recommendation in Sparse-Data Environments
University of Pennsylvania(宾夕法尼亚大学);NEC Research Institute(NEC研究院)
推荐系统利用产品和社区信息将产品定位给消费者。研究人员已经开发出协作式浏览器、基于内容的浏览器和(主要是自组织的)混合系统。我们提出了一个统一的概率框架合并协作和基于内容的建议。我们扩展了Hofmann的[1999]方面模型,将用户,项目和项目内容之间的三路共现数据。协作数据与内容数据的相对影响不是作为外生参数强加的,而是从给定的数据源自然出现的。与标准期望最大化(EM)学习算法相结合的全局概率模型在稀疏数据情况下往往会严重过拟合,这在推荐应用中是典型的。我们表明,次要内容信息通常可以用来克服稀疏性。对来自计算机科学出版物的ResearchIndex库的数据的实验表明,适当的混合模型结合二级数据产生比k-最近邻(k-NN)更好的质量预测器。全局概率模型也允许比k-NN等局部方法更一般的推断。
2013-01-10 cs.IR cs.LG stat.ML
Distributed Collaborative Hashing and Its Applications in Ant Financial
Ant Financial Services Group(蚂蚁金融服务集团);Hangzhou, China(中国杭州)
协同过滤,特别是潜在因素模型,在个性化推荐中得到了广泛的应用。潜在因素模型旨在从用户-物品的历史行为中学习用户和物品的潜在因素。要将其应用到真实的大数据场景中,效率成为第一关注点,包括离线模型训练效率和在线推荐效率。在本文中,我们提出了一个分布式协作哈希(DCH)模型,可以显着提高这两个效率。具体来说,我们首先提出了一个分布式学习框架,按照最先进的参数服务器范式,学习离线协作模型。我们的模型可以有效地学习分布式计算subgradients在minibatches工人和更新模型参数的服务器上异步。然后,我们采用哈希技术,以加快在线推荐过程。利用查找哈希表可以快速地进行推荐。我们在两个真实的大规模数据集上进行了深入的实验。实验结果表明,与经典的和最先进的(分布式)潜在因素模型相比,DCH具有相当的性能,在推荐精度方面,但既有快速的离线模型训练过程中的收敛速度和在线推荐过程中的实时效率。此外,DCH在蚂蚁金服的几个实际应用中也表现出了令人鼓舞的性能。
2018-05-31 cs.IR cs.LG stat.ML
History-Augmented Collaborative Filtering for Financial Recommendations
Université Paris-Saclay(巴黎-萨克雷大学);CentraleSupélec(中央高等电力学院);BNP Paribas Corporate and Institutional Banking(法国巴黎银行企业与机构银行)
在许多企业中,特别是在金融领域,客户的行为可能会随着时间的推移而发生巨大变化。因此,在这样的环境中使用的推荐系统能够适应这些变化是至关重要的。在这项研究中,我们提出了一种新的协同过滤算法,通过用户和项目的最近的互动历史,以提供动态的建议,捕获的时间上下文的用户项目交互。该算法的设计考虑到了金融世界的特定问题,使用了一个自定义的神经网络架构,可以解决用户和项目行为的非平稳性。该算法的性能和属性进行了监测,在一系列的实验上的G10债券报价要求专有数据库从法国巴黎银行公司和机构银行。
2021-02-26 cs.LG q-fin.CP stat.ML
A Collaborative Filtering-Based Two Stage Model with Item Dependency for Course Recommendation
National Taiwan University(台湾大学);University of California San Diego(加利福尼亚大学圣迭戈分校)
本文针对课程推荐中评分缺失、注册分布不均衡及课程依赖建模等挑战,提出融合课程依赖正则化的两阶段协同过滤模型与基于课程转换网络的图推荐器,在真实数据集上取得0.97的AUC。
2023-11-01 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
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
From Zero to The Hero: A Collaborative Market Aware Recommendation System for Crowd Workers
Stevens Institute of Technology(史蒂文斯理工学院)
软件众包的成功依赖于活跃和值得信赖的工人供应池。人群工作者行为的不确定性使得预测工作者的成功并相应地计划具有挑战性。在竞争激烈的众包市场中,对共享任务的成功竞争给众包工作者的决策过程增加了另一层不确定性。对软件工作者行为的初步分析显示,82.9%的任务丢失率令人震惊。这些因素导致需要一个自动化的推荐系统,以提高CSD工作人员在竞争中成功的可见性和可预测性。为此,本文提出了一个协同推荐系统的人群工作者。建议的推荐系统方法使用五个输入指标的基础上工人的合作历史,工人的喜好,在采取任务的奖金和持续时间,工人的专业,和工人的熟练程度。然后,所提出的方法建议最合适的任务,工人竞争的基础上,工人的成功概率的任务。对260名活跃人群工作者的实验结果表明,仅遵循任务推荐的前三个成功概率,工作者的成功率可达86%
2021-07-06 cs.HC cs.LG cs.SE
Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach
Shanghai Jiao Tong University(上海交通大学);Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳人工智能与机器人研究院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
推荐模型可以有效地估计潜在的用户兴趣和预测一个人的未来行为,通过将观察到的用户-项目评分矩阵分解为两组潜在因素的乘积。然而,特定于用户的嵌入因素只能以转导的方式学习,这使得难以即时处理新用户。在本文中,我们提出了一个归纳协同过滤框架,其中包含两个表示模型。第一种模型是对一组关键用户的评分矩阵进行矩阵分解,得到Meta潜在项。第二个模型采用基于注意力的结构学习,估计从查询到关键用户的隐藏关系,并学习利用Meta潜伏期通过神经消息传递来归纳计算查询用户的嵌入。我们的模型使用户能够进行归纳表示学习,同时保证与矩阵分解等价的表示能力。实验表明,我们的模型取得了可喜的成果,推荐Few-Shot用户有限的训练评级和新的未知用户,这是经常遇到的开放世界推荐系统。
2022-03-07 cs.IR cs.LG
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
Hybrid Collaborative Filtering Models for Clinical Search Recommendation
The Ohio State University(俄亥俄州立大学);Regenstrief Institute(雷根斯特里夫研究所);Indiana University School of Medicine(印第安纳大学医学院)
随着电子健康档案的广泛应用,临床医生在大量的患者健康档案中检索重要信息时,往往面临时间压力。虽然搜索功能可以是浏览患者记录的有用替代方案,但对于临床医生来说,重复搜索类似患者的相同或类似信息是很麻烦的。在这种情况下,迫切需要建立有效的推荐系统,可以为临床医生生成准确的搜索词推荐。在这篇手稿中,我们开发了一个混合协同过滤模型,使用患者的遭遇和搜索词信息,为临床医生推荐下一个搜索词,以快速检索重要信息。对于每例患者,模型将推荐与他/她最近的ICD代码具有高共现频率或与该患者最近的检索词高度相关的术语。我们已经进行了全面的实验来评估所提出的模型,实验结果表明,我们的模型可以优于所有最先进的基线方法的前N个搜索词推荐不同的数据集。
2020-07-19 cs.IR cs.LG
Socially Aware Music Recommendation: A Multi-Modal Graph Neural Networks for Collaborative Music Consumption and Community-Based Engagement
University of Maryland(马里兰大学)
本文提出多模态图神经网络MM-GNN,通过无融合深度互学习、异构图社交建模和情感感知嵌入,实现社交感知的个性化音乐推荐,并在基准数据集上显著超越现有方法。
2025-09-13 cs.IR cs.LG cs.MM
The Sample Complexity of Online One-Class Collaborative Filtering
University of California, Berkeley(加州大学伯克利分校)
我们认为在线一类协同过滤(CF)的问题,包括推荐项目的用户随着时间的推移,在网上的时尚只基于积极的评级。当用户只是偶尔对推荐做出正面评价,而从不做出负面评价时,就会出现这个问题。我们研究了用户响应推荐的概率p_f对样本复杂度的影响,即,提出“好”建议所需的评级数量,并询问接受正面和负面评级而不是仅仅接受正面评级是否会提高样本的复杂性。这两个问题都出现在推荐系统的设计中。我们介绍了一个简单的概率用户模型,并分析了一个在线的基于用户的CF算法的性能。我们证明,经过最初的冷启动阶段,建议投资于探索用户的喜好,该算法使-更新用户的喜好所需的建议的一小部分-完美的建议。冷启动阶段所需的额定值的数量几乎与1/p_f成比例,而用于更新用户偏好的额定值的数量基本上与p_f无关。因此,我们发现,接受积极和消极的评级,而不是只有积极的,提高了1/p_f,这可能是显着的因素的初始探索所需的评级的数量。
2017-05-31 cs.AI cs.IT cs.LG
Adaptive Collaborative Filtering with Personalized Time Decay Functions for Financial Product Recommendation
BNP Paribas Corporate and Institutional Banking(法国巴黎银行企业与机构银行);École Polytechnique(巴黎综合理工学院)
针对金融产品推荐中用户偏好动态变化的问题,提出一种时间依赖的协同过滤算法,通过个性化时间衰减函数自适应折扣历史交互,有效建模动态协同信号,在BNP Paribas数据集上显著超越现有基准。
2023-08-01 cs.IR cs.LG q-fin.CP
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
When Collaborative Filtering is not Collaborative: Unfairness of PCA for Recommendations
Northeastern University(东北大学);New York University(纽约大学);Stern School of Business(斯特恩商学院)
研究PCA在推荐中因流行度机制导致的项目不公平性,提出多项式时间算法项目加权PCA,通过灵活加权较不流行项目优化主成分,缓解不公平并提升推荐性能。
2025-05-28 cs.CY 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
Collaborative Recommendation with Auxiliary Data: A Transfer Learning View
Shenzhen University(深圳大学)
智能推荐技术在电子商务产品推广、互联网广告展示等各种行业应用中发挥着越来越重要的作用。除了用户的反馈(例如,数字评分),通常存在一些附加数据,例如用户的社交圈和其他行为。这些辅助数据通常与用户对数字评级背后的项目的偏好有关。基于辅助数据的协同推荐(CRAD)旨在利用这些辅助信息来改进个性化服务,受到了研究者和实践者的广泛关注。迁移学习(TL)是从辅助数据中提取和迁移知识,以辅助目标数据的学习任务。本文从迁移学习的角度研究了CRAD问题,特别是如何从一些辅助数据中实现知识迁移。首先,我们给出了CRAD的迁移学习(TL-CRAD)的形式化定义。其次,我们扩展了TL技术的现有分类(即,自适应的、集体的和综合的知识转移算法风格),具有三种知识转移策略(即,预测规则、正则化和约束)。第三,我们提出了一个新的通用知识转移框架TL-CRAD。第四,我们详细描述了每种算法风格的每种特定知识转移策略的一些代表性工作,期望对进一步的工作有所启发。最后,我们总结了本文的一些总结性讨论和未来的几个方向。
2014-07-09 cs.IR cs.LG
Parameter-Efficient Single Collaborative Branch for Recommendation
Institute of Computational Perception, Johannes Kepler University Linz(计算感知研究所,林茨约瑟夫·施密特大学);AI Lab, Linz Institute of Technology(林茨技术学院人工智能实验室)
针对推荐系统,提出参数高效的单一协同分支(CoBraR),通过用户与项目网络权重共享减少参数并提升非准确性指标,实验验证其实际应用潜力。
2025-08-05 cs.IR cs.LG
Graph Convolutional Network for Recommendation with Low-pass Collaborative Filters
Tsinghua University(清华大学)
\textbf{G}卷积\textbf{N}网络(\textbf{GCN})被广泛用于图数据学习任务,例如推荐。然而,当面对一个大的图,图卷积是非常昂贵的计算,因此被简化在所有现有的GCN,但严重受损,由于过度简化。为了解决这个问题,我们利用GCN中的\textit{original graph convolution},并提出了一个\textbf{L}低通\textbf{C}协同\textbf{F}过滤器(\textbf{LCF}),使其适用于大型图。LCF的设计目的是去除观测数据中由曝光和量化引起的噪声,并且以无损的方式降低图卷积的复杂度。实验表明,LCF提高了图卷积的有效性和效率,我们的GCN显着优于现有的GCN。代码可在\url{https://github.com/Wenhui-Yu/LCFN}上获得。
2021-01-18 cs.IR cs.LG stat.ML
Semi-supervised Collaborative Ranking with Push at Top
Michigan State University(密歇根州立大学)
现有的基于协作排名的推荐系统往往表现最好时,有足够的观察到的评级为每个用户和观察是完全随机的。在此设置下,推荐系统可以根据用户的兴趣适当地建议推荐列表。然而,当观察到的评级是非常稀疏的(例如,在没有评级数据可用的冷启动用户的情况下),并且不是随机均匀采样的,现有的排名方法无法有效地利用边信息来将知识从现有的评级转换为未观察到的评级。我们提出了一个半监督的协作排名模型,称为\texttt{S$^2$COR},以提高冷启动推荐的质量。\texttt{S$^2$COR}通过协作学习排名模型,利用关于观察到的和缺失的评级的边信息,减轻稀疏性问题。这使得它能够处理丢失数据的情况下,不是随机的,但也有效地将可用的边信息纳入转导。我们在一些具有挑战性的现实世界数据集上对我们提出的算法进行了实验评估,并与最先进的冷启动推荐模型进行了比较。与最先进的算法相比,我们报告了更高质量的推荐。
2015-11-17 cs.IR cs.LG
CSRN: Collaborative Sequential Recommendation Networks for News Retrieval
Tencent(腾讯);Harbin Institute of Technology(哈尔滨工业大学);The University of Kansas(堪萨斯大学)
如今,新闻应用程序已经取代了纸质媒体的流行,为个性化提供了一个很好的机会。基于递归神经网络(RNN)的顺序推荐是一种流行的方法,它利用用户最近的浏览历史来预测未来的项目。这种方法的局限性在于它没有考虑新闻消费的社会影响,即,用户可能关注不断变化的流行话题,而某些热门话题可能只在特定人群中传播。这种社会影响很难预测,只考虑用户自己的阅读历史。另一方面,传统的基于用户的协同过滤(UserCF)基于“邻居”的兴趣进行推荐,为补充基于RNN方法的不足提供了可能。然而,传统的UserCF只使用一个单一的相似性度量来建模用户之间的关系,这是太粗粒度,从而限制了性能。在本文中,我们提出了一个深度神经网络的框架,以集成基于RNN的顺序推荐和UserCF的关键思想,开发协作顺序推荐网络(CSRNs)。首先,我们建立了一个有向的用户共读网络,在向量空间中捕获用户之间的细粒度主题相似性。然后,CSRN模型用RNN对用户进行编码,并学会关注邻居,总结他们目前正在阅读的新闻。最后,根据用户自己的状态和邻居的总结状态推荐新闻文章。在两个公开数据集上的实验表明,该模型的性能明显优于现有的方法。
2020-04-07 cs.IR cs.LG stat.ML
Reenvisioning Collaborative Filtering vs Matrix Factorization
Politecnico di Bari(巴里理工大学);Universidad Autónoma de Madrid(马德里自治大学)
近年来,基于矩阵分解和人工神经网络(ANN)学习相似性的协同过滤模型得到了极大的关注。这在一定程度上是因为人工神经网络在各种各样的推荐任务中表现出了良好的效果。在推荐生态系统中引入人工神经网络最近受到了质疑,在效率和有效性方面提出了一些比较。这些比较的一个共同点是,它们都关注准确性,而忽略了对推荐很重要的其他评估维度,如新颖性、多样性或偏见。我们复制了三篇比较神经协同过滤(NCF)和矩阵分解(MF)的论文中的实验,将分析扩展到其他评估维度。我们的贡献表明,实验是完全可重复的,我们扩展了研究,包括其他准确性指标和两个统计假设检验。我们调查了建议的多样性和新颖性,表明MF在长尾上也提供了更好的准确性,尽管NCF提供了更好的项目覆盖率和更多样化的建议。我们讨论了测试方法产生的偏差效应。它们显示出相对较小的偏差,但其他具有竞争力的准确性性能的推荐基线始终显示出受此问题的影响较小。这是第一项工作,据我们所知,几个评估维度已被探索的SOTA算法阵列涵盖最近的适应人工神经网络和MF。因此,我们展示了这些技术可能对超精度评估的潜力,同时分析了这些互补尺寸可能对再现性的影响。可在github.com/sisinflab/Reenvisioning-the-comparison-between-Neural-Collaborative-Filtering-and-Matrix-Factorizatio…
2021-07-28 cs.IR cs.LG
Job recommendations: benchmarking of collaborative filtering methods for classifieds
OLX Group(OLX集团);Adam Mickiewicz University(亚当·密茨凯维奇大学);Poznań University of Economics and Business(波兹南经济与商业大学)
由于有关用户和物品的信息有限,分类为推荐方法带来了许多挑战。在本文中,我们探索推荐方法的分类使用的例子OLX工作。本文的目标是对不同的推荐方法进行测试,以提高广告的转换率和用户满意度。在我们的研究中,我们实现了可扩展的方法,代表了不同的推荐方法,即ALS,LightFM,RP 3beta和SLIM。我们在准确性、多样性和可扩展性(训练和预测期间的内存和时间消耗)方面对方法进行了实验室比较。在线A/B测试也通过发送数百万条带有建议的消息来进行,以在现实世界中评估模型。此外,我们还发布了我们为研究需要而创建的数据集。据我们所知,这是第一个此类数据集。该数据集包含3,295,942名用户在OLX Jobs上执行的65,502,201个事件,这些用户在2020年的两周内与185,395个招聘广告进行了交互(显示,回复或书签)。我们证明,在实验室环境中进行测试时,RP 3beta,SLIM和ALS的表现明显优于RP 2 Vec和LightFM。在线A/B测试还表明,发送带有ALS和RP 3beta模型生成的推荐的消息会增加与广告商联系的用户数量。此外,RP 3beta对该指标的影响比ALS大20%。
2023-01-19 cs.IR cs.LG