A Content-Driven Micro-Video Recommendation Dataset at Scale
针对大规模公开微视频推荐数据缺失问题,本文发布含10亿交互、多模态原始视频信息的MicroLens基准,并评测多种推荐模型与视频编码器。
2023-09-27 cs.IR
Improving Micro-video Recommendation via Contrastive Multiple Interests
随着微视频创作者和观看者的迅速增加,如何从海量的候选人向观看者进行个性化推荐开始受到越来越多的关注。然而,现有的微视频推荐模型依赖于昂贵的多模态信息,并且学习整体兴趣嵌入,不能反映用户对微视频的多种兴趣。最近,对比学习为改进现有的推荐技术提供了一个新的机会。因此,本文提出了提取对比性多兴趣,并设计了一个微视频推荐模型CMI。具体而言,CMI从每个用户的历史交互序列中学习他/她的多个兴趣嵌入,其中隐式正交微视频类别用于解耦多个用户兴趣。此外,它建立了对比多兴趣损失,以提高兴趣嵌入的鲁棒性和推荐的性能。在两个微视频数据集上的实验结果表明,CMI在现有基线上实现了最先进的性能。
2022-05-19 cs.IR
A Vlogger-augmented Graph Neural Network Model for Micro-video Recommendation
针对现有微视频推荐忽略博主信息的问题,提出VA-GNN模型,通过构建用户-视频-博主三方图并采用跨视图对比学习,自适应融合视频与博主偏好,实验证明其优于现有GNN推荐模型。
2024-05-28 cs.IR
Multi-trends Enhanced Dynamic Micro-video Recommendation
内容共享平台上爆炸式生成的微视频要求推荐系统能够轻松地进行个性化微视频发现。微视频推荐的最新进展在基于历史行为挖掘用户当前偏好方面取得了显着的性能。然而,大多数的推荐系统忽略了用户偏好的动态性和时变性,利用历史挖掘的偏好预测未来的微视频可能会降低推荐系统的有效性。在本文中,我们提出了DMR框架显式建模动态多趋势的用户的当前偏好,并作出预测的基础上的历史和未来的潜在趋势。设计了DMR框架,该框架包括:1)隐式用户网络模块,用于识别具有相似兴趣的其他用户的序列片段,并提取在时间顺序上位于所识别的片段之后的序列片段; 2)多趋势路由模块,用于将所提取的每个序列片段分配到一个趋势组中,并更新相应的趋势向量; 3)历史-未来趋势预测模块联合使用历史偏好向量和未来趋势向量来产生最终点击率。我们在两个公开的真实世界数据集上验证了DMR在多个最先进的微视频播放器上的有效性。比较广泛的分析进一步证明了动态多趋势建模在微视频推荐中的优越性。
2021-10-08 cs.IR
Alleviating Video-Length Effect for Micro-video Recommendation
针对短视频推荐中长视频易获高平均观看时间导致模型偏置的问题,提出VLDRec方法,通过去偏数据标注、样本生成及多任务学习,在真实数据集上提升观看时间1.81%和11.32%。
2023-08-31 cs.IR
Exploiting Fine-Grained Skip Behaviors for Micro-Video Recommendation
本研究针对微视频推荐中跳过行为建模过于简化的问题,提出双层图和层次排序损失方法,将交互细分为高度正样本、较少正样本和负样本,在两个公开数据集的八项指标上优于传统方法。
2025-04-04 cs.IR
Preference Flow Matching with Spectral Factorization for Micro-video Recommendation
National Key Laboratory of Parallel and Distributed Computing, College of Computer Science and Technology, National University of Defense Technology(国防科技大学计算机科学与技术学院并行与分布式计算国家重点实验室);National University of Singapore(新加坡国立大学);Zhengzhou University(郑州大学)
本研究针对微视频推荐中主流方法的语义动态纠缠与流匹配模型忽略时间结构的问题,提出PrismRec框架,通过谱语义分解和上下文校准偏好匹配,在四个数据集上较SOTA提升最高22.65%且效率更优。
2026-08-28 cs.IR
Micro-video recommendation model based on graph neural network and attention mechanism
随着互联网技术的飞速发展和互联网应用的全面普及,网上活动逐渐成为人们日常生活中不可或缺的一部分。原有的推荐学习算法主要是基于用户与微视频的交互进行学习,对用户与微视频的连接关系进行建模,难以捕捉节点之间较为复杂的关系。针对上述问题,提出了一种基于图神经网络的个性化推荐模型。该模型利用图神经网络能够更有效地挖掘图数据的深层信息的特点,将输入的用户评分信息和项目边信息转化为图结构,基于重要性采样策略进行有效的特征提取。基于重要性的采样策略通过计算邻居节点与中心节点之间的关系紧密度来衡量邻居节点对中心节点的重要性,并根据重要性级别来选择推荐任务的邻居节点,可以更有针对性地选择对目标微视频节点影响更大的采样邻居。而池化聚合策略则是先将邻域节点特征输入到全连通层中训练聚合权值,再进行邻域特征聚合,然后引入池化层进行特征聚合,最后将得到的邻域聚合特征与目标节点本身进行聚合,其直接引入对称可训练函数以将邻域权重训练融合到模型中,从而以可学习的方式更好地捕获不同邻域节点的差分特征,当前节点特征的表示。
2022-05-21 cs.IR
A Hybrid Filtering for Micro-video Hashtag Recommendation using Graph-based Deep Neural Network
提出基于混合过滤的微视频标签推荐框架MISHON,利用图深度神经网络建模用户与模态交互,并设计冷启动用户建模技术,在真实数据集上显著提升了F1分数。
2024-10-14 cs.IR
CCL4Rec: Contrast over Contrastive Learning for Micro-video Recommendation
微视频推荐系统受到用户行为中普遍存在的噪声的影响,这可能使学习到的用户表示无差别,并导致琐碎的推荐(例如,流行的项目),甚至是奇怪的,远远超出了用户的兴趣。对比学习是一种新兴的技术,用于学习具有随机数据增强的区分表示。然而,现有的对比学习框架由于忽略了用户行为中的噪声,对所有的增强样本都一视同仁,不足以在推荐中学习出有区别的用户表征。为了弥补这一研究空白,我们提出了用于训练推荐模型的对比学习框架,名为CCL 4 Rec,它通过进一步对比增强的积极/消极与自适应拉/推强度,即,对比(vanilla)对比学习。为了适应这些对比,我们设计了硬度感知增强,跟踪被替换的查询用户的行为的重要性和替代品的相关性,从而确定增强的积极/消极的质量。硬度感知增强还允许可控的对比学习,从而导致性能增益和鲁棒训练。通过这种方式,CCL 4 Rec可以捕获给定用户的历史行为的细微差别,从而明确地屏蔽了学习到的用户表示,使其免受噪声行为的影响。我们在两个微视频推荐基准上进行了大量的实验,实验结果表明,CCL 4 Rec在模型参数少得多的情况下,可以达到与现有最先进方法相当的性能,并将训练/推理速度提高了几个数量级。
2022-08-17 cs.IR
Cross-modal Variational Auto-encoder for Content-based Micro-video Background Music Recommendation
本文提出了一种基于内容的微视频背景音乐推荐的跨模态变分自动编码器(CMVAE)。CMVAE是一种分层贝叶斯生成模型,通过将这两个多模态输入投影到共享的低维潜在空间中来将相关背景音乐与微视频进行匹配,其中匹配的视频-音乐对的两个对应嵌入的对齐通过交叉生成来实现。此外,通过专家乘积(PoE)原理融合多模态信息,其中微视频的视觉和文本模态中的语义信息根据它们的方差估计被加权,使得具有较低噪声水平的模态被赋予更多权重。因此,微视频潜变量包含更少的无关信息,从而导致更鲁棒的模型泛化。此外,我们建立了一个大规模的基于内容的微视频背景音乐推荐数据集TT-150 k,由来自不同用户的150,000个微视频相关的大约3,000个不同的背景音乐片段组成。在已建立的TT-150 k数据集上的实验证明了该方法的有效性。还包括通过可视化一些推荐结果对CMVAE进行定性评估。
2022-12-11 cs.IR cs.MM
Multi-Aggregator Time-Warping Heterogeneous Graph Neural Network for Personalized Micro-Video Recommendation
Georgia State University(佐治亚州立大学)
针对现有微视频推荐未充分考虑新闻类内容高时效性、用户兴趣动态变化等问题,提出多聚合器时间扭曲异构图神经网络MTHGNN,通过多聚合器挖掘偏好、捕捉时序动态并兼顾时效性,在对比实验中表现优于现有最优方法。
2025-03-21 cs.AI cs.IR
Personalized Hashtag Recommendation for Micro-videos
个性化主题标签推荐方法旨在向用户推荐主题标签来注释、分类和描述他们的帖子。用户提供给帖子的主题标签(例如,一个微视频),都是她心目中能够很好地描述她感兴趣的帖子内容的。这意味着我们应该考虑用户对帖子内容的偏好以及他们对标签的个人理解。大多数现有的方法依赖于建模主题标签和帖子之间的交互或用户和主题标签之间的交互来进行主题标签推荐。这些方法没有很好地探索用户、标签和微视频之间的复杂交互。针对微视频主题标签的个性化推荐问题,提出了一种基于图卷积网络的个性化主题标签推荐模型(GCN-PHR),该模型利用最新的GCN技术对<用户、主题标签、微视频>之间的复杂交互进行建模,并学习它们的表示。在我们的模型中,用户、主题标签和微视频是图中的三种类型的节点,它们基于它们的直接关联而链接。特别地,消息传递策略用于学习节点的表示(例如,用户)通过聚集从直接链接的其它类型的节点传递的消息(例如,标签和微视频)。由于用户通常只对微视频的某些部分感兴趣,而主题标签通常用于描述用户感兴趣的部分,因此我们利用注意力机制过滤微视频传递给用户和主题标签的信息,可以显著提高表示能力。在两个真实世界的微视频数据集上进行了大量的实验,结果表明,我们的模型在很大程度上优于最先进的方法。
2019-08-27 cs.IR cs.MM
DVR: Micro-Video Recommendation Optimizing Watch-Time-Gain under Duration Bias
推荐系统很容易被数据中的偏见所误导。使用有偏数据训练的模型无法捕捉用户的真实兴趣,因此减轻偏置的影响以实现无偏推荐至关重要。在这项工作中,我们专注于微视频推荐中的一个重要偏见,持续时间偏见。具体而言,现有的微视频推荐系统通常将观看时间视为最关键的度量,其测量用户观看视频的时间。由于时长较长的视频往往具有较长的观看时间,因此存在一种时长偏差,使得较长的视频往往比短视频更受推荐。在本文中,我们的经验表明,常用的指标是脆弱的持续时间偏差,使他们不适合评估微视频推荐。为了解决这个问题,我们进一步提出了一个无偏的评估指标,称为WTG(简称观看时间增益)。实验结果表明,WTG可以减轻持续时间偏差,更好地衡量推荐性能。此外,我们设计了一个简单而有效的模型DVR(Debiased Video Recommendation的缩写),可以提供不同时长的微视频的无偏推荐,并通过对抗学习来学习无偏的用户偏好。基于两个真实数据集的大量实验表明,DVR成功地消除了持续时间偏差,并显着提高推荐性能超过30%的相对进步。代码和数据集在https://github.com/tsinghua-fib-lab/WTG-DVR上发布。
2022-08-10 cs.IR cs.MM
Concept-Aware Denoising Graph Neural Network for Micro-Video Recommendation
Wuhan University(武汉大学);Kuaishou Technology Co., Ltd.(快手科技有限公司)
最近,快手、抖音等微视频分享平台成为人们生活的主要信息来源。由于这些服务的大流量,短视频寿命和流媒体时尚,它已经变得越来越迫切,以提高现有的推荐系统,以适应这些挑战,在一个具有成本效益的方式。提出了一种新的概念感知去噪图神经网络(CONDE)微视频推荐方法。CONDE由三个阶段的图卷积过程组成,以获得用户和微视频表示:预热传播,图去噪和偏好细化。通过将用户节点与视频节点连接,以及将视频节点与从视频的字幕和评论中提取的相关联的概念节点连接,来构造异构三分图。为了解决图中的噪声信息,我们引入了面向用户的图去噪阶段,以提取更能反映用户偏好的子图。尽管本文的主要重点是微视频推荐,但我们也表明,我们的方法可以推广到其他类型的任务。因此,我们还进行了一个著名的公共电子商务数据集的实证研究。实验结果表明,建议CONDE实现显着更好的推荐性能比现有的国家的最先进的解决方案。
2021-09-28 cs.IR cs.LG
MealRec: Multi-granularity Sequential Modeling via Hierarchical Diffusion Models for Micro-Video Recommendation
National University of Defense Technology(国防科技大学);National University of Singapore(新加坡国立大学)
MealRec通过分层扩散模型实现多粒度序列建模,解决微视频推荐中的偏好无关表示和模态冲突问题,提升推荐效果。
2026-03-02 cs.CV cs.IR
Orthogonal Hyper-category Guided Multi-interest Elicitation for Micro-video Matching
University of Chinese Academy of Sciences(中国科学院大学);MX Media Co., Ltd(MX媒体有限公司)
针对微视频匹配中用户多兴趣挖掘问题,提出OPAL模型,通过正交超类别引导解耦软硬兴趣嵌入并采用两阶段训练,在真实数据集上召回率和命中率均优于六个现有模型。
2024-07-20 cs.AI cs.IR
Modeling High-order Interactions across Multi-interests for Micro-video Recommendation
Zhejiang University(浙江大学);Huawei(华为)
个性化推荐系统已经在各种视频平台中普及。目前已经提出了许多有效的方法,但大多数方法都没有很好地捕捉用户的多层次兴趣特征和他们观看的微视频之间的依赖关系。为了解决这些问题,我们提出了一个自我超过共同注意力模块,以提高用户的兴趣表示。特别是,我们首先使用共同注意力来建模不同级别的相关模式,然后使用自我注意力来建模特定级别内的相关模式。在过滤公共数据集上的实验结果验证了该模块的有效性。
2021-05-10 cs.CV cs.IR
Frozen LVLMs for Micro-Video Recommendation: A Systematic Study of Feature Extraction and Fusion
Nanjing University of Science and Technology(南京理工大学);Singapore Management University(新加坡管理大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);GienTech Technology Co., Ltd.(极氪科技有限公司)
本文通过系统研究冻结LVLMs的特征提取与融合策略,提出DFF框架,证明中间隐藏状态优于标题表示,ID嵌入融合优于替换,并在微视频推荐中取得最佳性能。
2025-12-26 cs.IR cs.MM
Dynamic Multimodal Fusion via Meta-Learning Towards Micro-Video Recommendation
Shandong University(山东大学);National University of Singapore(新加坡国立大学);Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳))
针对微视频推荐中静态多模态融合无法适配不同微视频模态关系的问题,提出基于元学习的动态融合框架MetaMMF,为每个微视频动态生成专属融合函数,在三个基准数据集上优于多个现有模型,还通过规范多变量分解提升了训练效率。
2025-01-13 cs.CV cs.IR cs.MM
Implicit semantic-based personalized micro-videos recommendation
随着移动互联网和大数据的快速发展,网络中产生了海量的数据,但用户真正感兴趣的数据却很少。要从海量的数据中提取用户感兴趣的信息,需要解决信息过载问题。在移动互联网时代,用户的特征等信息应该结合在海量数据中,快速准确地向用户推荐内容,尽可能满足用户的个性化需求。因此,迫切需要在数以万计的微视频中实现高速有效的检索。视频数据内容包含着复杂的含义,视频数据之间存在着内在的联系。对于多模态信息,引入子空间编码学习,构建从公共势表示到多模态特征信息的编码网络,兼顾各模态下信息的一致性和互补性,获得完整特征值的公共表示。提出了一种基于深度学习和注意力机制的端到端重排序模型,称为基于多模态数据的兴趣相关产品相似度模型,用于提供top-N推荐。该模型由多模态特征学习模块、兴趣关联网络模块和产品相似度推荐模块组成,通过在公开数据集上的大量实验,验证了算法的性能和有效性。
2022-05-06 cs.IR cs.MM
Dreaming User Multimodal Representation Guided by The Platonic Representation Hypothesis for Micro-Video Recommendation
Kuaishou Technology(快手科技)
本文提出 DreamUMM 方法,基于柏拉图表征假设利用用户历史行为在多模态空间中实时建模用户兴趣,并通过闭式解关联视频偏好与多模态相似度,在数亿日活用户的微视频平台上验证了显著提升用户参与度的效果。
2024-10-19 cs.AI cs.CV cs.IR