From Ranked Lists to Carousels: A Carousel Click Model
基于旋转木马的推荐界面允许用户以结构化、高效和视觉吸引力的方式探索推荐项目。这使得它们成为向许多现实生活中的零售商的最终用户推荐商品的事实标准方法。在这项工作中,我们试图解释使用\emph{carousel click model},一个生成模型的用户交互与轮播为基础的推荐界面的轮播服务器的效率。我们研究这一模型分析和实证。我们的分析结果表明,用户可以检查更多的项目在旋转木马点击模型比在一个单一的排名列表,由于结构化的方式浏览。这些结果得到了一系列实验的支持,在这些实验中,我们将旋转木马点击模型与基于矩阵分解的推荐器相结合。我们表明,组合推荐器表现良好的举行了测试数据,并导致更高的参与建议比传统的单一排名列表。
2022-09-27 cs.HC cs.IR cs.IT
Event-based Product Carousel Recommendation with Query-Click Graph
针对事件型商品轮播推荐缺乏真实标签的问题,提出基于查询-点击二部图的迭代聚类方法,推断事件相关方面并利用点击率生成推荐,实验验证其有效性。
2024-02-05 cs.IR
Clicks Versus Conversion: Choosing a Recommender's Training Objective in E-Commerce
Digitec Galaxus AG
本文通过在线A/B测试对比了电子商务中优化CTR与转化率(ACR/OSR)对业务目标的影响,发现优化OSR能带来比CTR高五倍以上的GMV提升且不牺牲新商品发现。
2025-08-14 cs.IR cs.LG
Improving Reachability and Navigability in Recommender Systems
在本文中,我们从网络的角度研究推荐系统,并研究推荐网络,其中节点是项目(例如,电影)并且边缘从前N个推荐(例如,相关电影)。特别是,我们专注于评估的可达性和导航性的推荐网络和调查以下问题:(一)如何以及推荐网络支持导航和探索性搜索?(ii)参数,特别是不同的推荐算法和显示的推荐数量,对可达性和可导航性有什么影响?以及(iii)如何在这些网络中提高可达性和可导航性?我们首先通过调查推荐网络的结构特性来评估推荐网络的可达性,从而解决这些问题。其次,我们通过模拟三种不同的信息寻求场景模型来评估导航性。我们发现,与标准的算法,推荐系统不适合导航和探索,并提出了修改建议,以改善这一点的方法。我们的工作从基于单击的推荐系统评估扩展到多单击分析(即,序列的依赖点击),并提出了一个通用的,全面的方法来评估任意推荐网络的可导航性。
2015-07-29 cs.IR cs.SI
Understanding User Behavior in Carousel Recommendation Systems for Click Modeling and Learning to Rank
针对轮播推荐系统缺乏点击模型和排序学习研究的问题,本文提出通过眼动追踪用户研究构建公开数据集,以揭示浏览行为并推动新点击模型与学习排序方法的发展。
2023-07-04 cs.HC cs.IR
Beyond Optimizing for Clicks: Incorporating Editorial Values in News Recommendation
FD Mediagroep(FD媒体集团);Talpa Network(Talpa网络);Randstad Groep Nederland(任仕达荷兰集团)
随着算法个性化在新闻领域的应用,新闻机构越来越信任具有先前考虑的编辑责任的自动化系统,例如,优先向读者提供新闻。在本文中,我们研究了自动新闻推荐系统的背景下,新闻机构的编辑价值观。我们利用新闻推荐系统进行并展示了两项在线研究,历时一个半月,涉及1,200多名用户。在我们的第一项研究中,我们探讨了我们的新闻推荐如何在编辑价值观的背景下引导阅读行为,如偶然性,活力,多样性和覆盖范围。接下来,我们提出了一个干预研究,我们扩展我们的新闻推荐引导我们的读者更动态的阅读行为。我们发现,(i)我们的推荐系统产生更多样化的阅读行为,并产生更高的覆盖率的文章相比,非个性化的编辑排名,(ii)我们可以成功地将动态在我们的推荐系统作为一个重新排名的方法,有效地引导我们的读者更动态的文章,而不损害我们的推荐系统的准确性。
2020-04-21 cs.CL cs.HC cs.IR
Eye Tracking as a Source of Implicit Feedback in Recommender Systems: A Preliminary Analysis
本研究利用眼动追踪数据增强电影推荐的协同过滤模型,相比点击数据提升了性能,并验证了AOI时长与用户兴趣的一致性。
2023-05-12 cs.HC cs.IR
Deep Session Interest Network for Click-Through Rate Prediction
点击率(CTR)预测在许多工业应用中起着重要的作用,例如在线广告和推荐系统。如何从用户的行为序列中捕捉用户动态变化的兴趣,一直是CTR预测中的一个研究课题。然而,大多数现有的研究忽略了序列的内在结构:序列是由会话组成的,其中会话是由它们的发生时间分开的用户行为。我们观察到,用户行为是高度同质的,在每个会话,和异构的跨会话。基于这一观察,我们提出了一种新的CTR模型命名为深度会话兴趣网络(DSIN),利用用户的多个历史会话在他们的行为序列。我们首先使用带有偏见编码的自我注意力机制来提取用户在每个会话中的兴趣。然后,我们应用Bi-LSTM来建模用户的兴趣如何在会话之间演变和交互。最后,我们采用本地激活单元,自适应地学习各种会话兴趣对目标项目的影响。在广告和生产推荐数据集上进行了实验,DSIN在这两个数据集上的性能都优于其他最先进的模型。
2019-05-16 cs.IR
From Latent to Observable Position-Based Click Models in Carousel Interfaces
Brno University of Technology(布尔诺理工大学);Kempelen Institute of Intelligent Technologies(肯佩伦智能技术研究所);Adobe Research(Adobe研究)
针对轮播界面提出三种基于位置的点击模型,其中OEPBM首次利用眼动数据中的观测检查信号,实验表明梯度优化优于传统方法,但点击拟合好不等于真实用户行为建模。
2026-06-17 cs.HC cs.IR
RARD: The Related-Article Recommendation Dataset
推荐系统数据集用于推荐系统评估、训练机器学习算法和探索用户行为。虽然在电影、书籍和音乐领域有许多用于推荐系统的数据集,但来自研究论文推荐系统的数据集却相当少。在本文中,我们介绍了RARD,相关文章推荐数据集,从数字图书馆Sowiport和解释作为一种服务提供商先生DLib。该数据集包含向Sowiport用户显示的5740万条推荐信息。这些信息包括使用了哪些推荐方法(例如基于内容的过滤,刻板印象,最流行的),在基于内容的过滤中使用了哪些类型的功能(简单术语与关键词),从哪里提取功能(标题或摘要),以及推荐被交付和点击的时间。此外,数据集包含一个隐式的项目-项目评级矩阵,该矩阵是根据推荐点击日志创建的。RARD使研究人员能够训练用于研究论文推荐的机器学习算法,进行离线评估,并对DLib先生的推荐系统的数据进行研究,而无需自己实现推荐系统。在科学推荐系统领域,我们的数据集是独一无二的。据我们所知,没有数据集有更多的(隐式)评级可用,以及推荐算法的许多变化。该数据集可在http://data.mr-dlib.org上获得,并在Creative Commons Attribution 3.0 Unported(CC-BY)许可下发布。
2017-06-20 cs.IR
Mitigating Position Bias with Regularization for Recommender Systems
针对推荐系统中常见的位置偏差问题,提出采用正则化技术降低偏差影响,实验验证该方法效果优于其他主流现代算法,为推荐系统去偏差提供了有效方案。
2024-01-18 cs.IR
Unleash the Power of Context: Enhancing Large-Scale Recommender Systems with Context-Based Prediction Models
Outbrain(Outbrain公司)
本文提出基于上下文的预测模型,仅依赖用户和上下文特征预测用户行为概率,并将其作为特征纳入CTR预测模型,实验表明该方法显著提升了大规模推荐系统的离线和在线业务指标。
2023-07-25 cs.IR cs.LG
Unbiased Recommender Learning from Missing-Not-At-Random Implicit Feedback
Tokyo Institute of Technology(东京工业大学);SMN Corporation(SMN公司)
推荐系统广泛使用隐式反馈,如点击数据,因为它的普遍可用性。虽然点击的存在在某种程度上表明了用户的偏好,但没有这种点击并不一定表示用户的负面响应,因为用户可能没有接触到这些项目(正面-未标记问题)。这导致难以从隐式反馈中预测用户的偏好。以前的研究解决了积极的未标记的问题,通过统一的权重的损失的正反馈数据或估计的信心,通过EM算法的相关信息的每个数据。然而,这些方法未能解决非随机缺失问题,其中流行或频繁推荐的项目比其他项目更可能被点击,即使用户对它们没有相当大的兴趣。为了克服这些限制,我们首先定义一个理想的损失函数进行优化,以实现最大化的相关性的建议,并提出了一个无偏估计量的理想损失。随后,我们分析了所提出的无偏估计量的方差,并进一步提出了一个裁剪估计,其中包括作为特殊情况的无偏估计量。我们证明了裁剪估计预计将提高推荐系统的性能,通过考虑偏差方差权衡。我们进行半合成和真实世界的实验,并证明所提出的方法在很大程度上优于基线。特别是,所提出的方法对于训练数据中不太频繁观察到的罕见项目效果更好。实验结果表明,该方法可以更好地实现推荐具有最高相关性的项目的目标。
2020-02-09 cs.IR cs.LG stat.ML
TFNet: Multi-Semantic Feature Interaction for CTR Prediction
点击率(CTR)预测在计算广告和推荐系统中起着核心作用。在该领域中存在几种方法,例如逻辑回归(LR),因子分解机(FM)和基于深度学习的方法,如Wide&Deep,神经因子分解机(NFM)和DeepFM。然而,这样的方法通常使用每对特征的向量积,这忽略了特征交互的不同语义空间。在本文中,我们提出了一种新的基于张量的特征交互网络(TFNet)模型,该模型引入了一个操作张量,通过多个语义空间中的多切片矩阵来阐述特征交互。大量的离线和在线实验表明:TFNet:1)在典型的Criteo和Avazu数据集上的性能优于竞争性比较方法; 2)在中国最大的应用推荐系统腾讯MyApp的在线A/B测试中,收入和点击率都有很大的提高。
2020-06-29 cs.IR
From Clicks to Conversions: Recommendation for long-term reward
推荐系统通常针对短期奖励进行优化:如果在推荐后立即可以观察到奖励(例如点击),则推荐被认为是成功的。这个框架的优点是,通过一些合理的(尽管有问题)假设,它允许熟悉的监督学习工具用于推荐任务。然而,这意味着长期的业务指标,例如销售或保留被忽略。在本文中,我们介绍了一个框架,长期的奖励建模的ECORGYM仿真环境。我们使用这个新引入的功能来展示在转换优化推荐的情况下由最后点击归因方案引入的问题,并提出一个简单的扩展,从而获得最先进的结果。
2020-09-01 cs.IR stat.ML
Deep Dynamic Neural Network to trade-off between Accuracy and Diversity in a News Recommender System
Ryerson University(瑞尔森大学)
新闻推荐系统的特点是一些独特的挑战,具体到新闻领域。这些挑战来自于读者对动态生成的新闻项目的快速变化的兴趣,这些新闻项目随时间不断变化。新闻阅读也是由读者的长期和短期利益驱动的。此外,新闻推荐系统需要多样性,不仅要让读者参与阅读过程,还要让他们接触到不同的观点和意见。在本文中,我们提出了一个深度神经网络,它将信息丰富的新闻和读者的兴趣共同学习到一个统一的框架中。我们从新闻的标题、摘要(正文)和分类(类别、子类别)中学习新闻的表征(特征)。我们从读者的点击历史中了解读者的长期兴趣,通过LSTMS从最近的点击中了解读者的短期兴趣,通过注意力机制了解读者的多样化兴趣。我们还对我们的模型应用了不同程度的注意力。我们在两个新闻数据集上进行了广泛的实验,以证明我们的方法的有效性。
2021-03-17 cs.AI cs.IR cs.LG
Click-Through Rate Prediction Using Graph Neural Networks and Online Learning
Stanford University(斯坦福大学);Google LLC(谷歌有限责任公司)
推荐系统在过去已经被许多文献广泛研究,并且在在线广告、购物行业/电子商务、搜索引擎中的查询建议以及社交网络中的朋友推荐中无处不在。此外,餐厅/音乐/产品/电影/新闻/应用程序推荐只是推荐系统的几个应用程序。CTR预测准确性的一个小百分比的改进已经被提到为广告行业增加数百万美元的收入。点击率预测是推荐系统的一个特殊版本,其目标是预测用户是否会点击推荐项目。基于内容的推荐方法考虑用户行为的过去历史,即推荐的产品和用户对它们的反应。因此,在正确的时间将正确的项目推荐给正确的用户的个性化模型是构建这样一个模型的关键。另一方面,所谓的协同过滤方法结合了与特定用户非常相似的用户的点击历史,从而通过利用在连接的用户网络中分享他们的品味的用户的更广泛的知识来帮助推荐器为该特定用户提出更自信的预测。在这个项目中,我们有兴趣建立一个CTR预测器使用图神经网络补充的在线学习算法,模拟这种动态的相互作用。通过将问题框定为二进制分类任务,我们使用由10,000个数据点组成的Criteo公共数据集的子采样版本,在测试AUC为0.7417的离线模型(GNN,深度因子分解机)和测试AUC为0.7585的在线学习模型上评估了该系统。
2021-05-09 cs.AI cs.IR cs.LG
Pairwise Ranking Loss for Multi-Task Learning in Recommender Systems
针对多任务学习中未发生转化的CTR任务噪声更高的问题,提出成对排序损失(PWiseR)利用转化曝光标签指导模型,在多个公开及工业数据集上AUC指标优于BCE损失。
2024-06-05 cs.IR
XDM: Improving Sequential Deep Matching with Unclicked User Behaviors for Recommender System
基于深度学习的顺序推荐系统近年来引起了学术界和工业界越来越多的关注。大多数工业化的基于嵌入的检索(EBR)系统的推荐共享与顺序查询相似的思想。其中,如何全面捕捉序列用户兴趣是一个根本性的问题。然而,大多数现有的顺序推荐模型作为输入点击或购买的行为序列,从用户项目的交互。这导致不全面的用户表示和次优的模型性能,因为它们忽略了完整的用户行为暴露数据,即,用户印象深刻但未点击的项目。在这项工作中,我们试图采用一种新的学习方法,以探索更好的顺序推荐技术,将这些未点击的项目序列和模型。提出了一种有效的三元组度量学习算法来适当地学习未点击项目的表示。我们的方法可以简单地集成与现有的顺序推荐模型的置信度融合网络,并进一步获得更好的用户表示。基于真实电子商务数据的离线实验结果验证了该方法的有效性,并验证了未点击项目在顺序推荐中的重要性。此外,我们部署我们的新模型(命名为XDM)在淘宝推荐系统的EBR,性能优于部署的前一代SDM。
2022-03-31 cs.IR
Online Diverse Learning to Rank from Partial-Click Feedback
Carnegie Mellon University(卡内基梅隆大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);New York University(纽约大学);Google Research(谷歌研究院);Adobe Research(奥多比研究院)
学习排序是机器学习和推荐系统中的一个重要问题。在推荐系统中,通常向用户推荐项目列表。由于用户不太可能检查整个推荐列表,因此部分反馈自然会出现。同时,多样化的推荐很重要,因为在实践中对用户的所有口味进行建模是具有挑战性的。在本文中,我们提出了第一个算法在线学习排序不同的项目从部分点击反馈。我们假设用户检查推荐项目列表,直到用户被一个项目吸引,点击它,并且不检查其余的项目。这种用户行为模型被称为级联模型。我们提出了一个在线学习算法,juelsb,解决我们的问题。该算法主动探索用户的口味,学习的目标是推荐最佳的多样性列表。我们分析了该算法,并证明了一个无间隙的上界的n步遗憾。我们在合成和真实世界的数据集上评估了Cumelsb,将其与各种基线进行了比较,并表明即使我们的建模假设不完全成立,它也能学习。
2018-11-21 cs.IR cs.LG stat.ML
Identifying Offline Metrics that Predict Online Impact: A Pragmatic Strategy for Real-World Recommender Systems
OTTO (GmbH \& Co. KGaA) Hamburg Germany;OTTO (GmbH \& Co. KGaA)
本文提出一种基于 Pareto front 近似的实用策略,通过单一模型控制的多组在线实验,识别与真实世界在线影响相一致的离线指标,并在 OTTO 平台验证了其有效性。
2025-07-13 cs.AI cs.IR cs.LG
One-at-a-time: A Meta-Learning Recommender-System for Recommendation-Algorithm Selection on Micro Level
推荐算法的有效性通常通过评估指标来评估,例如均方根误差,F1或点击率,在整个数据集上计算。通常基于这些总体度量来选择最佳算法。但是,对于所有用户、项目和上下文,没有单一的最佳算法。根据总体评价结果选择单一算法并不是最优的。在本文中,我们提出了一种基于元学习的方法来推荐,其目的是选择最好的算法,为每个用户项目对。我们使用MovieLens 100 K和1 M数据集来评估我们的方法。我们的方法(RMSE,100 K:0.973; 1 M:0.908)没有优于单一最佳算法SVD++(RMSE,100 K:0.942; 1 M:0.887)。我们还开发了元学习器之间的区别,操作每个实例(微观级别),每个数据子集(中级级别)和每个数据集(全局级别)。我们的评估表明,与使用的整体最佳算法相比,假设完美的微观元学习器将MovieLens 100 K和1 M数据集的RMSE提高25.5%。
2018-11-30 cs.IR
Deep Multi-Representation Model for Click-Through Rate Prediction
Information Systems and Machine Learning Lab(信息系统与机器学习实验室)
点击率预测(CTR)是推荐系统中的一项重要任务,近年来受到了广泛的关注。最近研究的主要目的强调通过使用各种组件(如深度神经网络(DNN),CrossNets或Transformer块)挖掘低和高特征交互来获得有意义和强大的表示。在这项工作中,我们提出了深度多表示模型(DeepMR),该模型联合训练两个强大的特征表示学习组件的混合,即DNN和多头自关注。此外,DeepMR将新的零初始化残差(ReZero)连接集成到DNN和多头自注意组件,以学习更好的输入表示。在三个真实数据集上的实验表明,该模型在预测点击率方面明显优于所有最先进的模型。
2022-10-25 cs.AI cs.IR cs.LG
A Survey on Session-based Recommender Systems
在信息过载和数字化经济时代,推荐系统(RS)在信息消费、服务和决策方面发挥着越来越重要的作用。近年来,基于会话的推荐系统(SBRSs)作为一种新的推荐系统出现。与基于内容的RS和基于协作过滤的RS等通常对长期但静态的用户偏好进行建模的RS不同,SBRS旨在捕获短期但动态的用户偏好,以提供对其会话上下文的演变敏感的更及时和准确的推荐。虽然SBRS已被深入研究,既没有统一的SBRS的问题陈述,也没有SBRS的特点和挑战的深入阐述。目前还不清楚SBRS的挑战在多大程度上得到了解决,以及SBRS的整体研究前景如何。对SBRS的全面审查通过深入探讨SBRS实体(例如,会话),行为(例如,用户对项目的点击)及其属性(例如,会话长度)。我们提出了SBRS的一般问题陈述,总结了SBRS的多样化的数据特征和挑战,并定义了一个分类法来分类SBRS的代表性研究。最后,我们讨论了在这个令人兴奋和充满活力的领域新的研究机会。
2021-05-15 cs.IR
Deep Learning for Click-Through Rate Estimation
Shanghai Jiao Tong University(上海交通大学)
点击率(CTR)估计是各种个性化在线服务的核心功能模块,包括在线广告,推荐系统和网络搜索等。从2015年开始,深度学习的成功开始有利于CTR估计性能,现在深度CTR模型已经广泛应用于许多行业平台。在本调查中,我们全面回顾了用于CTR估计任务的深度学习模型。首先,我们回顾了从浅层到深层CTR模型的转移,并解释了为什么深入是一个必要的发展趋势。其次,我们专注于深度CTR模型的显式特征交互学习模块。然后,作为具有丰富用户历史的大型平台的重要视角,讨论了深度行为模型。此外,最近出现的自动化方法的深度CTR架构设计。最后,对本研究进行了总结,并对该领域的发展前景进行了展望.
2021-04-21 cs.IR cs.LG
Why Do We Click: Visual Impression-aware News Recommendation
Zhejiang University(浙江大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);National university of Singapore(新加坡国立大学)
由于信息过载,人们对新闻推荐研究的兴趣日益高涨。为了准确地捕捉用户的兴趣,我们提出了多模态的功能,除了在现有的作品中广泛使用的新闻标题,新闻推荐。另外,现有的研究在设计多模态建模模块时很少关注点击决策过程。在这项工作中,灵感的事实,用户使他们的点击决定主要是基于他们在浏览新闻时所感知的视觉印象,我们建议捕捉这样的视觉印象信息与视觉语义建模的新闻推荐。具体而言,我们设计了局部印象建模模块,在理解新闻标题语义的同时,兼顾印象中的分解细节,从而更接近用户阅读新闻的过程。此外,我们从全局的角度来考察印象,并将结构信息,如不同领域的安排和不同单词在印象中的空间位置,纳入多模态建模。为了适应视觉印象感知新闻推荐的研究,我们通过添加快照印象图像来扩展文本主导的新闻推荐数据集MIND,并将其发布以滋养该研究领域。与最先进的新闻推荐器的广泛比较以及深入分析证明了所提出的方法的有效性以及为基于内容的推荐器建模视觉印象的良好能力。
2021-09-26 cs.AI cs.IR cs.MM
Document Embeddings vs. Keyphrases vs. Terms: An Online Evaluation in Digital Library Recommender Systems
数字图书馆推荐系统操作员可以使用多种推荐算法。算法的有效性在很大程度上没有通过在线评估的方式报告。我们比较了一个标准的基于术语的推荐方法,两个有前途的方法在数字图书馆的相关文章推荐:文档嵌入,和关键词。我们评估了它们在多个场景中性能的一致性。通过我们的推荐即服务Mr. DLib,我们在2017年3月至2018年10月的19个月内向Sowiport和Jabref的用户提供了3350万条推荐。算法的有效性在Sowiport和Jabref之间存在显著差异(Wilcoxon秩和检验; p < 0.05)。在这两种情况下,最佳和最差算法的有效性差异约为400%。Sowiport(terms)中性能最好的算法在Jabref中性能最差。Jabref中性能最好的算法(关键词)在Sowiport中比Sowiport的最佳算法差70%(点击率; 0.1%术语,0.03%关键词)。
2019-05-27 cs.DL cs.IR
Towards Effective Research-Paper Recommender Systems and User Modeling based on Mind Maps
虽然用户建模和推荐系统成功地利用了电子邮件、新闻和电影等项目,但它们普遍忽视了思维导图作为用户建模的来源。我们认为这是一个严重的缺点,因为我们假设基于思维导图的用户建模与基于其他项目的用户建模同样有效。因此,数以百万计的思维导图用户可以从推荐系统等用户建模应用程序中受益。这篇博士论文的目标是开发一种有效的基于思维导图的用户建模方法。为了实现这一目标,我们在我们的思维导图和参考管理软件Docear中集成了一个推荐系统。推荐系统基于思维导图建立用户模型,并基于用户模型推荐研究论文。作为我们研究的一部分,我们确定了与基于思维导图的用户建模相关的几个变量,并通过离线评估、用户研究和基于向4,700名用户显示的430,893条推荐的在线评估来评估这些变量对用户建模有效性的影响。我们发现,除其他外,分析节点的数量,修改时间,节点的可见性,节点之间的关系,以及一个节点的孩子和兄弟姐妹的数量影响用户建模的有效性。当所有变量以有利的方式组合时,这种新方法的点击率达到7.20%,这几乎是最佳基线的两倍。此外,我们表明,基于思维导图的用户建模以及基于其他项目的用户建模,即用户下载或引用的研究文章。我们的研究结果让我们得出结论,基于思维导图的用户建模是一个很有前途的研究领域,开发人员的思维导图应用程序应该集成到他们的应用程序的推荐系统。这样的系统可以为数百万思维导图用户创造额外的价值。
2017-03-27 cs.IR
Modeling Behavioral Patterns in News Recommendations Using Fuzzy Neural Networks
Institute of Human-Centred Computing, Graz University of Technology, Austria(以人为中心计算研究所,格拉茨技术大学,奥地利)
本文提出利用模糊神经网络建模新闻推荐中的行为模式,通过学习可读规则提升推荐透明度和可解释性。
2026-01-07 cs.IR cs.LG
Studying the Impact of Data Disclosure Mechanism in Recommender Systems via Simulation
近年来,依赖于用户个人数据的Web服务中的隐私问题引起了极大的关注。与联邦学习和差分隐私等现有隐私保护技术不同,我们探索了另一种减轻用户隐私担忧的方法,让他们能够控制自己的数据。为了实现这一目标,我们提出了一个隐私感知的推荐框架,让用户对他们的个人数据进行微妙的控制,包括隐式行为,例如,点击和观看。在这个新框架中,用户可以根据预期的隐私风险和潜在效用之间的权衡,主动控制要披露哪些数据。然后研究了用户在不同数据泄露机制和推荐模型下的隐私决策,以及用户的隐私决策对推荐系统性能的影响。为了避免现实世界的实验成本高,我们应用模拟来研究我们提出的框架的影响。具体来说,我们提出了一个强化学习算法来模拟用户的决定(与各种敏感性)下提出的平台机制在两个数据集上的三个代表性的推荐模型。仿真结果表明,与大多数实际应用所采用的“全有或全无”的二进制机制相比,具有更细的拆分粒度和更无限制的公开策略的平台机制可以为最终用户和平台带来更好的结果。这也表明,我们提出的框架可以有效地保护用户的隐私,因为他们可以获得可比的,甚至更好的结果与披露的数据少得多。
2022-10-20 cs.IR
Towards Automated Model Design on Recommender Systems
提出利用权重共享构建超网络的新范式,联合搜索最优模型架构与存内计算硬件配置,在CTR预测基准上超越现有模型并实现2倍FLOPs效率、1.8倍能效和1.5倍性能提升。
2024-11-12 cs.IR
Understanding or Manipulation: Rethinking Online Performance Gains of Modern Recommender Systems
Shanghai Jiao Tong University(上海交通大学);Nanjing University(南京大学);Polixir Technologies(Polixir科技)
本文提出面向石板与序列推荐的操纵程度基准框架及两项指标,通过合成与真实数据实验揭示高点击率可能源于操纵而非理解初始偏好。
2023-12-18 cs.IR cs.LG
Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction
Noah’s Ark Lab, Huawei(华为诺亚方舟实验室);Jinan University(暨南大学)
点击率预测是推荐系统中的一项重要任务,其目的是估计用户点击给定项目的概率。最近,已经提出了许多深度模型来从原始特征学习低阶和高阶特征交互。然而,由于有用的交互总是稀疏的,DNN很难在大量参数下有效地学习它们。在真实场景中,人工特征能够提高深度模型的性能(如Wide &深度学习),但特征工程成本高昂,需要领域知识,在不同场景下不切实际。因此,有必要对特征空间进行自动扩充。在本文中,我们提出了一种新的特征生成的卷积神经网络(FGCNN)模型的两个组成部分:特征生成和深度分类器。特征生成利用CNN的优势来生成局部模式,并将它们重组以生成新特征。深度分类器采用IPNN的结构,从增强的特征空间中学习交互。在三个大规模数据集上的实验结果表明,FGCNN的性能明显优于九种最先进的模型。此外,当应用一些最先进的模型作为深度分类器时,总是能获得更好的性能,这表明我们的FGCNN模型具有很好的兼容性。这项工作为CTR预测探索了一个新的方向:通过自动识别重要特征来降低DNN的学习难度是非常有用的。
2019-04-09 cs.IR cs.LG
Scalable Neural Contextual Bandit for Recommender Systems
Meta AI;Stanford University(斯坦福大学)
针对现有神经推荐系统探索未知用户偏好效率低、神经上下文赌博机计算成本高的问题,提出可扩展的认知神经推荐架构ENR,实现大规模汤普森采样,在性能、样本效率和计算成本上均显著优于现有基线算法。
2023-08-19 cs.AI cs.IR
CHAMELEON: A Deep Learning Meta-Architecture for News Recommender Systems [Phd. Thesis]
ITA(巴西航空理工学院);UFCG(巴西坎皮纳格兰德联邦大学);UFMG(巴西米纳斯吉拉斯联邦大学)
推荐系统(RS)已经成为一个热门的研究课题,自2016年以来,深度学习方法和技术在这一领域得到了越来越多的探索。新闻RS旨在个性化用户体验,并帮助他们从一个庞大而动态的搜索空间中发现相关文章。这项研究的主要贡献被命名为CHAMELEON,这是一个深度学习元架构,旨在解决新闻推荐的特定挑战。它由一个模块化的参考架构组成,可以使用不同的神经构建块进行实例化。由于在新闻领域中关于用户过去交互的信息是稀缺的,因此可以利用用户上下文来处理用户冷启动问题。文章的内容对于解决项目冷启动问题也很重要。此外,在新闻领域中,项目(文章)相关性的时间衰减非常加速。此外,外部中断事件可能暂时吸引全球读者的注意力,这种现象通常被称为机器学习中的概念漂移。所有这些特点都明确建模本研究的上下文混合会话为基础的推荐方法,使用递归神经网络。本研究所解决的任务是基于会话的新闻推荐,即,仅使用当前用户会话中可用的信息进行下一次点击预测。提出了一种方法,为现实的时间离线评估这样的任务,重播流的用户点击和新鲜的文章被连续发布在新闻门户网站。两个大的数据集进行的实验表明,在许多质量因素,如准确性,项目覆盖率,新颖性,减少项目冷启动问题,与其他传统的和国家的最先进的会话为基础的推荐算法相比,CHAMELEON新闻推荐的有效性。
2019-12-29 cs.IR cs.LG stat.ML
Five lessons from building a deep neural network recommender
Schibsted Media Group(施布斯特传媒集团)
推荐算法在市场中被广泛采用,以帮助用户找到他们正在寻找的项目。用户矩阵的稀疏性和市场中的冷启动问题对基于矩阵分解的推荐系统提出了挑战。为了了解用户意图并根据他们的需求定制推荐,我们使用深度学习来探索市场中可用的各种异构数据。本文总结了我们在挪威领先的市场FINN.no.上使用最先进的深度学习推荐器进行实验时学到的五个经验教训。我们设计了一个混合推荐系统,该系统采用用户生成的市场内容(包括文本、图像和Meta属性),并将其与用户行为数据(如页面浏览量和消息)相结合,为市场项目提供推荐。在我们实验的各种策略中,以下五种显示出最好的效果:分阶段训练而不是端到端训练,利用页面浏览量之外的丰富用户行为,使用用户行为作为噪声标签来训练嵌入,使用迁移学习来解决不平衡数据问题,以及在混合模型中使用注意力机制。该系统目前在FINN.no上运行,点击率约为20%,每天为超过100万名访问者提供服务。
2018-10-07 cs.IR cs.LG stat.ML
NASRec: Weight Sharing Neural Architecture Search for Recommender Systems
Duke University(杜克大学);Meta AI;University of Houston(休斯顿大学)
NASRec提出基于权重共享超网的神经架构搜索范式,通过单算子任意连接采样、算子平衡交互模块和训练后微调解决推荐系统多模态与架构异构挑战,在CTR预测基准上超越人工设计和现有NAS方法。
2023-02-12 cs.IR cs.LG
Meta-Learned Per-Instance Algorithm Selection in Scholarly Recommender Systems
推荐系统算法的有效性在不同的现实世界中是不同的。由于可用算法的数量以及它们不同的性能,很难为场景选择最佳算法。此外,不可能选择一个单一的算法,将最佳地为所有的推荐请求。我们将元学习应用于学术文章推荐的算法选择问题。我们训练随机森林、梯度提升机和广义线性模型,以从基于内容相似性的算法池中预测最佳算法。我们在离线数据集上评估我们的学术文章推荐方法,并尝试预测每个实例的最佳算法。与所有基本算法的平均F1相比,最佳元学习模型的F1平均增加了88%(F1; 0.0708 vs 0.0376),并且能够正确选择每个基本算法(配对t检验; p < 0.1)。与单一最佳基础算法相比,元学习器的F1高出3%(F1; 0.0739 vs 0.0717)。我们进一步对我们的方法进行在线评估,通过我们的推荐即服务平台Mr. DLib进行A/B测试。我们在2019年1月至3月期间向用户提供148 K建议。与随机选择算法相比,使用我们的元学习方法生成的推荐的用户参与度显着增加(点击率(CTR); 0.51% vs. 0.44%,卡方检验; p < 0.1),但是我们的方法并没有产生比单独的最佳算法更高的CTR(CTR; MoreLikeThis(Title):0.58%)。
2019-12-18 cs.DL cs.IR
Field-Embedded Factorization Machines for Click-through rate prediction
Adobe(奥多比)
点击率(CTR)预测模型在许多在线应用中是常见的,例如数字广告和推荐系统。场感知因子分解机(FFM)和场加权因子分解机(FwFM)是CTR预测的浅层模型中最先进的。最近,也提出了许多基于深度学习的模型。在更深层次的模型中,DeepFM,xDeepFM,AutoInt+和FiBiNet是最先进的模型。更深层次的模型将学习显式特征交互的核心架构组件与深度神经网络(DNN)组件相结合。我们提出了一种新的浅场嵌入式分解机(FEFM)和它的深场嵌入式分解机(DeepFEFM)。FEFM学习每个字段对的对称矩阵嵌入以及每个特征的通常的单向量嵌入。FEFM的模型复杂度明显低于FFM,与FwFM的复杂度大致相同。FEFM还具有关于重要场和场相互作用的深刻的数学性质。DeepFEFM将FEFM组件学习的FEFM交互向量与DNN相结合,从而能够学习更高阶的交互。我们在两个大型公开的真实世界数据集上对各种超参数进行了全面的实验。当比较测试AUC和log loss时,结果表明FEFM和DeepFEFM在CTR预测任务中优于现有的最先进的浅层和深层模型。我们已经在DeepCTR库(https://github.com/shenweichen/DeepCTR)中提供了FEFM和DeepFEFM的代码。
2021-06-14 cs.IR cs.LG stat.ML
Does Weighting Improve Matrix Factorization for Recommender Systems?
University of Alberta Edmonton, AB Canada;Netflix, Inc. Los Gatos, CA USA;Netflix, Inc. \& Cornell University New York, NY USA;University of Alberta;Netflix, Inc.;Netflix, Inc. \& Cornell University
本文系统研究了推荐系统矩阵分解中的加权方案,发现未加权数据在大型模型上表现相当甚至更优,挑战了传统观念,同时推导出精确最小化加权目标的高效算法。
2025-10-12 cs.IR cs.LG stat.ML
Unbiased Pairwise Learning to Rank in Recommender Systems
Tencent(腾讯)
如今,推荐系统已经影响到人们生活的方方面面。为了提供个性化的高质量推荐结果,常规系统通常训练逐点排序器以预测目标的绝对值并利用明显的浅塔来估计和减轻位置偏差的影响。然而,对于这样的训练范例,优化目标与排名度量有很大不同,排名度量重视排名靠前的项目的相对顺序,而不是每个项目的预测精度。此外,由于现有系统倾向于在较高位置推荐更相关的项目,因此基于浅塔的方法难以将用户反馈精确地归因于位置或相关性的影响。因此,如果我们设法解决上述问题,我们将有一个令人兴奋的机会来提高性能。无偏的学习排序算法,这是验证模型的相对相关性准确的基础上嘈杂的反馈,是有吸引力的候选人,并已被应用在许多应用程序与单一的分类标签,如用户点击信号。然而,现有的无偏LTR方法不能正确地处理包含分类标签和连续标签的多个反馈。因此,我们设计了一种新的无偏LTR算法来解决这些挑战,该算法创新性地以成对的方式对位置偏差进行建模,并引入成对的信任偏差来明确地分离位置偏差,信任偏差和用户相关性。在公共基准数据集和内部实时流量上的实验结果表明,该方法对分类标签和连续标签都有较好的效果。
2021-11-30 cs.AI cs.IR
Online Evaluations for Everyone: Mr. DLib's Living Lab for Scholarly Recommendations
Trinity College Dublin(都柏林圣三一学院);National Institute of Informatics Tokyo(东京国立信息学研究所);University of Stuttgart(斯图加特大学);Technical University of Munich(慕尼黑工业大学);The Open University(开放大学)
我们介绍学术推荐系统的第一个“生活实验室”。该实验室允许推荐系统研究人员对他们的学术推荐新算法进行在线评估,即,研究论文、引文、会议、研究资助等的推荐。推荐通过living lab的API传递到参考文献管理软件和数字图书馆等平台。这个生活实验室是建立在推荐系统即服务之上的。目前的合作伙伴是参考资料管理软件JabRef和CORE研究小组。我们介绍了DLib先生的生活实验室的架构以及运营前16个月的使用统计数据。在此期间,提供了1,826,643条建议,平均点击率为0.21%。
2019-05-22 cs.DL cs.IR cs.LG
Deep Bayesian Multi-Target Learning for Recommender Systems
Alibaba Group(阿里巴巴集团)
随着电子商务平台提供的服务种类越来越多,评估其成功的标准也越来越多。这项工作介绍了一个多目标优化框架与贝叶斯建模的目标事件,称为深度贝叶斯多目标学习(DBMTL)。在该框架中,目标事件被建模为形成贝叶斯网络,其中有向链接由隐藏层参数化,并从训练样本中学习。贝叶斯网络的结构由模型选择决定。我们将该框架应用到淘宝直播推荐中,对点击率、用户在直播间停留时间、购买行为和互动等目标进行同步优化(并取得平衡)。与其他MTL框架和非MTL模型相比,所提出的方法有了显着的改进。我们的实践表明,通过集成的因果关系结构,我们可以有效地使目标的学习受益于其他目标,创造显著的协同效应,提高所有目标。DBMTL引导的神经网络构造符合特征与多目标连接的一般概率模型,比本文讨论的其他方法具有更弱的假设。这种理论上的普遍性带来了各种目标分布,包括稀疏目标和连续值的实际推广能力。
2019-02-25 cs.IR cs.LG stat.ML