A Hybrid Multimodal Deep Learning Framework for Intelligent Fashion Recommendation
Tarbiat Modares University (TMU)(塔比阿特莫达雷斯大学)
针对线上时尚平台的智能推荐需求,本文提出基于CLIP与Transformer的混合多模态深度学习框架,可同时完成穿搭兼容性预测与互补单品检索任务,在两项任务上均取得优异性能。
2025-11-18 cs.CV cs.IR
Session-aware Linear Item-Item Models for Session-based Recommendation
Sungkyunkwan University(成均馆大学);Google Research(谷歌研究院);Seoul National University(首尔国立大学);Yonsei University(延世大学)
基于会话的推荐旨在给定在会话中消费的先前项目的序列来预测下一项目,例如,电子商务或多媒体流服务。具体来说,会话数据表现出一些独特的特征,即,会话一致性和对会话内项目的顺序依赖性、重复的项目消耗和会话及时性。在本文中,我们提出了简单而有效的线性模型,考虑整体方面的会议。我们的模型的综合性有助于提高基于会话的推荐的质量。更重要的是,它提供了一个通用框架来反映会话数据的不同视角。此外,由于我们的模型可以通过封闭形式的解决方案来解决,因此它们具有高度的可扩展性。实验结果表明,所提出的线性模型在几个真实世界的数据集上的各种指标表现出竞争力或最先进的性能。
2021-06-25 cs.IR cs.LG
Page-level Optimization of e-Commerce Item Recommendations
eBay Inc.(eBay公司)
商品详细信息页面(IDP)是电子商业网站上的一个网页,提供有关特定产品或商品列表的信息。在此页面上的项目详细信息下方,买家通常可以找到其他相关项目的建议。这些通常以一系列模块或旋转木马的形式出现,每个模块包含一组推荐项目。这些项目推荐模块的选择和排序旨在提高相关项目的可扩展性并鼓励更大的用户参与,同时展示库存的多样性并满足其他业务目标。IDP上的项目推荐模块通常是为所有客户策划和静态配置的,忽略了个性化的机会。在本文中,我们提出了一个可扩展的端到端的生产系统,以优化个性化的选择和订购的项目推荐模块的IDP实时利用深度神经网络。通过广泛的离线实验和在线A/B测试,我们表明,我们提出的系统实现了显着更高的点击率和转换率相比,其他现有的方法。在我们的在线A/B测试中,我们的框架比静态配置提高了2.48%的点击率和7.34%的购买率。
2021-08-12 cs.IR cs.LG
Item Cold Start Recommendation via Adversarial Variational Auto-encoder Warm-up
Tencent News(腾讯新闻)
随机初始化的项目ID嵌入和经过良好训练的暖项目ID嵌入之间的差距使得冷项目难以适应推荐系统,该推荐系统是在历史暖项目数据上训练的。为了缓解新项目推荐的性能下降,新项目ID嵌入的分布应该接近历史热门项目的分布。为了实现这一目标,我们提出了一个对抗变分自动编码器预热模型(AVAEW)来为冷项生成预热项ID嵌入。具体来说,我们开发了一个条件变分自动编码器模型,以利用项目的边信息来生成预热项目ID嵌入。特别是,我们引入了一个对抗模块来加强热身项目ID嵌入分布和历史项目ID嵌入分布之间的对齐。我们通过在公开数据集上的大量离线实验和在真实世界的大规模新闻推荐平台上的在线A/B测试,证明了所提出的方法的有效性和兼容性。
2023-02-28 cs.AI cs.IR cs.LG
Leveraging Two Types of Global Graph for Sequential Fashion Recommendation
随着服装零售业和在线电子商务的发展,在线服装购物越来越受到人们的重视,服装序列推荐在其中具有重要的意义。建立一个有效的序列式时尚推荐模型的关键在于捕捉两类模式:用户的个人时尚偏好和相邻商品之间的过渡关系。这两类模式通常分别与用户-项交互和项-项转换建模相关。然而,由于大量的用户和项目以及稀疏的历史交互,这是很难训练一个有效的和高效的顺序时尚推荐模型。为了解决这些问题,我们建议利用两种类型的全局图,即,用户-项目交互图和项目-项目转换图,以通过在图上合并高阶连接来获得增强的用户和项目表示。此外,我们采用了LightGCN的图核在两个图中的信息传播,并提出了一种新的设计项目-项目转移图。在两个已建立的序列时尚推荐数据集上的实验验证了该方法的有效性和效率。
2021-05-30 cs.IR cs.MM
Conditioned Variational Autoencoder for top-N item recommendation
University of Padova(帕多瓦大学)
在本文中,我们提出了一个有条件的变分自编码器(C-VAE)的约束top-N项目推荐,其中推荐的项目必须满足一个给定的条件。所提出的模型架构类似于标准VAE,其中条件向量被馈送到编码器中。由于考虑了输入条件的新的重建损失,在训练期间学习受约束的排名。我们表明,我们的模型概括了国家的最先进的多VAE协同过滤模型。此外,我们还提供了关于C-VAE在潜在空间中学习的内容的见解,提供了人性化的解释。实验结果强调了C-VAE在约束条件下提供准确建议的潜力。最后,所进行的分析表明,C-VAE可以用于其他推荐场景,如上下文感知推荐。
2020-05-04 cs.IR cs.LG
Implicit ZCA Whitening Effects of Linear Autoencoders for Recommendation
Hokkaido University(北海道大学)
该研究揭示推荐系统中线性自编码器的对偶解对物品特征向量存在隐式ZCA白化效应,验证了其用于低维物品嵌入相似度估计的正确性,实验表明白化低维嵌入有效。
2023-08-15 cs.IR cs.LG
Exploiting Latent Codes: Interactive Fashion Product Generation, Similar Image Retrieval, and Cross-Category Recommendation using Variational Autoencoders
University of the Philippines, Diliman(菲律宾大学迪利曼分校)
深度学习应用在时尚行业的兴起推动了大规模数据集的管理,以构建产品设计,图像检索和推荐系统的应用程序。本文提出利用变分自编码器(Variational Autoencoder,VAE)来构建一个交互式的时尚产品应用框架,允许用户根据自己的喜好生成具有属性的产品,检索同一产品类别的相似风格,并接收来自其他类别的基于内容的推荐。包含眼镜、鞋类和箱包的时尚产品图像数据集适合于说明该管道适用于蓬勃发展的电子商务行业,从而能够在指定所需产品时与新的数据匹配方法进行直接用户交互,并通过使用VAE并利用其生成的潜在代码来推荐系统。
2020-09-02 cs.CV cs.IR
Fashion Recommendation and Compatibility Prediction Using Relational Network
Visa Research(Visa研究院)
时尚是一个固有的视觉概念,计算机视觉和人工智能(AI)在塑造这一领域的未来方面发挥着越来越重要的作用。许多研究已经完成了基于学习的用户偏好的时尚产品推荐。然而,除了推荐单品外,人工智能还可以帮助用户从现有的单品中创建时尚的服装,或者购买与当前衣柜搭配的其他单品。兼容性是从单个项目创建时尚服装的关键因素。以前的研究主要集中在建模成对的兼容性。有几种方法可以考虑整个装备,但这些方法都有局限性,例如需要丰富的语义信息,类别标签和固定的项目顺序。因此,在没有这类信息的情况下,它们无法有效地确定兼容性。在这项工作中,我们采用关系网络(RN)开发新的兼容性学习模型,时尚RN和FashionRN-VSE,解决了现有方法的局限性。FashionRN学习整个服装的兼容性,任意数量的项目,以任意顺序。我们使用从Polyvore网站收集的49,740套服装的大型数据集来评估我们的模型。定量地,我们的实验结果证明了与文献中的替代方法相比,在相容性预测和填充空白测试中的最新性能。定性,我们还表明,项目嵌入学习FashionRN表明时尚项目之间的兼容性。
2020-05-13 cs.AI cs.IR cs.LG
Solving Fashion Recommendation -- The Farfetch Challenge
MiQ Digital
推荐引擎是现代电子商务体验不可或缺的一部分,无论是对卖家还是最终用户。准确的推荐带来更高的收入和更好的用户体验。在本文中,我们提出了我们的解决方案ECML PKDD Farfetch时尚推荐挑战。这项挑战的目标是最大限度地提高点击的机会时,用户提出了一套时尚的项目。我们把这个问题当作一个二元分类问题来处理。我们的获奖解决方案使用Catboost作为分类器,使用贝叶斯优化进行超参数调整。我们的基线模型在验证集上实现了0.5153的MRR。超参数的贝叶斯优化将验证集上的MRR提高到0.5240。我们最终提交的测试集的MRR为0.5257。
2021-09-07 cs.IR cs.LG
Fashion DNA: Merging Content and Sales Data for Recommendation and Article Mapping
Zalando SE(Zalando 公司)
我们提出了一种方法来确定时尚DNA,坐标向量定位时尚项目在一个抽象的空间。我们的方法基于一个深度神经网络架构,该架构可以摄取精选的文章信息,如标签和图像,并经过训练以预测大量常客的销售。在这个过程中,客户风格偏好的双重空间自然产生。对这些空间的度量的解释很简单:时尚DNA和客户风格向量的乘积产生客户-物品对的预测购买可能性,而时尚DNA向量之间的角度是物品相似性的度量。重要的是,我们的模型能够产生无偏的购买概率的时尚项目的基础上,仅根据文章的信息,即使在没有销售数据,从而规避了“冷启动问题”的协作推荐方法。同样,它可以轻松可靠地推广到训练集之外的客户。我们尝试基于视觉和/或标签项数据的时尚DNA模型,评估其推荐能力,并讨论由此产生的文章相似性。
2016-09-08 cs.IR cs.LG
A Scalable Recommendation Engine for New Users and Items
Duke University(杜克大学);University College London(伦敦大学学院)
在许多数字环境中,诸如在线新闻和具有许多新用户和项目的电子零售,推荐系统面临若干挑战:冷启动问题),ii)如何学习用户对项目的偏好(测试和学习),以及iii)如何在具有无数人口统计和属性的许多用户和项目之间进行缩放。虽然许多推荐系统适应这些挑战的各个方面,但几乎没有解决所有问题的系统。本文介绍了一个协同过滤(CF)多臂强盗(B)与属性(A)推荐系统(CFB-A),以共同适应所有这些考虑。包括对MovieLens数据的离线测试、合成数据模拟和在线杂货店实验的经验应用表明,CFB-A导致累积平均奖励(例如,花费的总金钱或时间、点击次数、购买数量、平均评分等)相对于现存最强大的基线方法。
2023-02-27 cs.IR cs.LG
Automatic Collection Creation and Recommendation
Airtel Digital
我们提出了一个集合推荐系统,可以自动创建和推荐的项目在用户级别的集合。与输出前N个相关项目的常规推荐系统不同,集合推荐系统输出项目的集合,使得集合中的项目与用户相关,并且集合内的项目遵循特定主题。我们的系统建立在项目推荐系统学习的用户项目表示之上。我们采用降维和聚类技术以及直观的分类来创建具有评级和标题的集合。我们在一个流行的音乐流媒体服务中,在现实世界的音乐推荐环境中测试这些想法。我们发现,当推荐收藏品时,消费量增加了2.3倍。此外,它导致房地产的有效利用,并导致推荐更多和更多样化的项目集。据我们所知,这是第一次在如此大的规模上进行此类实验。
2021-05-03 cs.IR cs.LG
An LSTM-Based Dynamic Customer Model for Fashion Recommendation
Zalando Research(Zalando 研究院)
在线时装销售为个性化推荐提供了一个具有挑战性的用例:商店提供多种尺寸的各种商品。小库存,高回报率,季节性和不断变化的趋势导致所有时间尺度上的持续营业额。顾客往往很少购物,但经常一次购买多件商品。我们报告了欧洲领先的在线时尚平台Zalando的10万频繁购物者的销售数据的回测实验。为了模拟不断变化的客户和商店环境,我们的推荐方法采用了一对神经网络:为了克服冷启动问题,前馈网络在“时尚空间”中生成文章嵌入,作为递归神经网络的输入,递归神经网络根据客户过去的购买顺序为每个客户预测该空间中的风格向量。我们将我们的结果与静态协同过滤方法和流行度排名基线进行比较。
2017-08-24 cs.IR cs.LG
Large-scale Real-time Personalized Similar Product Recommendations
iLambda;University of North Texas(北德克萨斯大学);Kent State University(肯特州立大学)
同类商品推荐是电商中最常见的场景之一。许多推荐算法,如项目到项目的协同过滤正在努力衡量项目的相似性。在本文中,我们介绍了我们的实时的【形】个性化算法模型的产品相似性和实时的【形】用户的兴趣。我们还介绍了其他几种基线算法,包括基于图像相似性的方法,项目到项目的协同过滤,和item2vec,并在我们的大规模真实世界的电子商务数据集上进行比较。本文提出的算法在离线情况下取得了较好的效果,并在在线电子商务网站上进行了测试。我们的个性化方法在现实世界的电子商务场景中实现了10%的添加购物车数量的改善。
2020-04-12 cs.IR cs.LG
Pairwise Interactive Graph Attention Network for Context-Aware Recommendation
Nanjing University(南京大学)
上下文感知推荐系统(CARS)考虑了丰富的边信息来提高推荐性能,引起了学术界和工业界越来越多的关注。如何从不同的上下文特征中预测用户偏好是CARS的核心。最近的几个模型关注用户行为,并使用专门设计的结构来从历史行为中提取自适应的用户兴趣。然而,很少有研究考虑项目历史交互,这导致项目特征表示和项目吸引力提取的不足。根据这些观察,我们将用户-项目交互建模为动态交互图(DIG),并提出了一种基于GNN的模型,称为成对交互图注意力网络(PIGAT),以同时捕获动态用户兴趣和项目吸引力。PIGAT引入了注意力机制来考虑每个交互的用户/项目对用户和项目的重要性,该机制捕获用户兴趣、项目吸引力及其对推荐上下文的影响。此外,置信度嵌入应用于交互,以区分在不同时间发生的交互的置信度。然后,更有表现力的用户/项目表示和自适应交互功能,这有利于推荐性能,特别是当涉及长尾项目。我们在三个真实世界的数据集上进行实验,以证明PIGAT的有效性。
2019-11-18 cs.IR cs.LG
Personalized Federated Domain Adaptation for Item-to-Item Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);AWS AI Lab(AWS人工智能实验室);Washington State University(华盛顿州立大学)
针对新兴市场 I2I 推荐关系数据不足的问题,提出基于 GNN 的个性化联邦领域自适应框架,以迁移成熟市场模式并支持异构本地图的热启动建模。
2023-06-05 cs.IR cs.LG
Fashionista: A Fashion-aware Graphical System for Exploring Visually Similar Items
为了构建一个时尚推荐系统,我们需要帮助用户检索在视觉上与特定查询相似的时尚物品,原因包括搜索替代品(即,替代品),以生成视觉上一致的时尚服装,以及其他应用。在服装和配饰等领域,这些考虑因素尤其重要,因为物品的视觉外观是指导用户决策的关键特征。然而,像亚马逊和eBay这样的现有系统仍然主要依赖于关键字搜索和推荐松散一致的项目(例如,基于共同购买或浏览数据),而没有使用视觉信息来满足上述需求的界面。在本文中,我们试图填补这一空白,设计和实现一个基于图像的查询系统,称为Fashionista,它提供了一个图形界面,以帮助用户有效地探索这些项目,不仅在视觉上类似于一个给定的查询,但也是时尚的,由视觉感知的推荐方法确定。从方法论上讲,Fashionista学习了一个低维的视觉空间,以及从大型二进制反馈数据语料库中学习时尚趋势的演变,例如我们在本演示中使用的亚马逊女装和配饰的购买历史。
2016-03-31 cs.HC cs.IR
Mining Latent Structures for Multimedia Recommendation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Artificial Intelligence Research, Chinese Academy of Sciences(中国科学院人工智能创新研究院)
多媒体内容在现代网络时代占据主导地位。调查用户如何与多模态项目进行交互是快速发展的推荐系统中持续关注的问题。以前的大部分工作集中在建模用户与项目的交互与多模态功能包括作为边信息。然而,该方案不是很好地设计用于多媒体推荐。具体来说,只有协作项目项目关系隐式建模通过高阶项目用户项目关系。考虑到项目是与丰富的内容在多个模态,我们认为,潜在的语义项目项目的结构,这些多模态的内容可能是有益的学习更好的项目表示和进一步提高推荐。为此,我们提出了一个潜在的结构挖掘方法的多模态reCommEndation,我们简称为格。具体来说,在所提出的LATTICE模型中,我们设计了一个新的模态感知结构学习层,它学习每个模态的项-项结构,并聚合多个模态以获得潜在项图。基于学习的潜图,我们执行图卷积,以显式地将高阶项亲和力注入项表示中。然后,这些丰富的项目表示可以插入到现有的协同过滤方法中,以做出更准确的推荐。在三个真实数据集上的大量实验证明了我们的方法优于最先进的多媒体推荐方法,并验证了从多模态特征中挖掘潜在项-项关系的有效性。
2021-07-21 cs.IR cs.LG cs.MM
Two Is Better Than One: Dual Embeddings for Complementary Product Recommendations
Overstock.com Inc.(Overstock公司);University of Maryland, College Park(马里兰大学帕克分校)
基于嵌入的产品推荐近年来越来越受欢迎,因为它能够轻松集成到大规模系统中,并允许实时进行最近邻搜索。这一领域的大部分研究主要集中在类似的项目建议上。另一方面,对补充项目建议的研究仍然相当不足。我们将相似项定义为在其效用方面可互换的项,将互补项定义为服务于不同目的但在相互使用时兼容的项。在本文中,我们采用了一种新的方法来寻找互补项目,利用双嵌入表示的产品。我们证明了在NLP中发现的skip-gram negative sampling(SGNS)模型的相关性概念在使用共同购买数据训练项目表示时有效地转化为互补性概念。由于购买数据的稀疏性是现实世界场景中的一个主要挑战,因此我们使用合成样本进一步增强模型以扩展覆盖范围。这使得该模型提供补充建议的项目,不共享共同购买的数据,利用其他丰富的可用数据形式,如图像,文本,点击等,我们建立了我们的方法在提高覆盖面和质量的建议对现实世界的数据为一个主要的在线零售公司的有效性。我们进一步展示了任务特定的超参数调整在训练SGNS中的重要性。我们的模型是有效的,但简单的实现,使其成为一个伟大的候选人在任何电子商务网站生成补充项目的建议。
2022-11-29 cs.IR cs.LG
Pre-training of Context-aware Item Representation for Next Basket Recommendation
Beijng University of Posts and Telecommunications(北京邮电大学);Renmin University of China(中国人民大学)
下一个购物篮推荐是市场购物篮分析中的一个重要环节,其目的是根据用户的历史交易情况预测用户最有可能购买的下几个商品。从物品的角度来看,一个物品可以由不同的用户出于不同的原因与不同的物品一起购买。因此,一个理想的推荐系统应该代表一个项目,考虑其交易上下文。现有的最先进的深度学习方法通常采用静态项目表示,其在所有事务之间是不变的,因此不能实现深度学习的全部潜力。受自然语言处理中预先训练好的BERT表示方法的启发,我们提出了一种基于上下文感知的项目表示方法--基于Transformers的项目编码器表示(IERT)。在离线阶段,IERT根据其交易上下文预训练深度项目表示。在在线推荐阶段,预先训练的模型通过额外的输出层进一步微调。输出的上下文化项目嵌入用于捕获用户的序列行为和一般口味,以进行推荐。在Ta-Feng数据集上的实验结果表明,IERT的性能优于现有的基线方法,证明了IERT在下一个篮子表示中的有效性。
2019-04-14 cs.IR cs.LG stat.ML
Sequential Item Recommendation in the MOBA Game Dota 2
University of Würzburg(维尔茨堡大学)
多人在线竞技场(MOBA)游戏,如Dota 2,每年吸引数十万玩家。尽管玩家基数很大,但吸引新玩家仍然很重要,以防止游戏社区变得不活跃。然而,进入MOBA游戏通常要求很高,需要玩家同时学习许多技能。成功的一个重要因素是购买正确的物品,这取决于各种游戏因素,如已经购买的物品,团队组成或可用资源。推荐系统可以通过减少选择合适物品所需的脑力劳动来支持玩家,例如,新的球员或球员返回游戏后,较长的休息时间,专注于游戏的其他方面。由于顺序项目推荐(SIR)已被证明在各个领域(例如电子商务、电影推荐或播放列表延续)都是有效的,因此我们将探讨知名的SIR模型在Dota 2购买推荐环境中的适用性。为了促进这项研究,我们收集、分析和发布了Dota-350 k,这是一个基于最近Dota 2比赛的新的大型数据集。我们发现SIR模型可以有效地用于Dota 2中的项目推荐。我们的研究结果表明,考虑购买顺序的模型是最有效的。与其他领域相比,我们发现基于RNN的模型在Dota-350 k上的性能优于最近基于Transformer的架构。
2022-01-17 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
FashionStylist: An Expert Knowledge-enhanced Multimodal Dataset for Fashion Understanding
Yanshan University(燕山大学);Central South University(中南大学);Zhejiang University(浙江大学);Southwest University(西南大学);Singapore Management University(新加坡管理大学);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出FashionStylist,一个专家标注的多任务时尚理解基准,支持服装到物品定位、服装补全和评估任务,提升多模态时尚系统的语义理解能力。
2026-04-13 cs.CV cs.IR
Computational Technologies for Fashion Recommendation: A Survey
本文从技术视角系统综述时尚推荐研究,梳理其与一般推荐的差异、子任务分类、方法、数据集及局限性,并探讨未来方向及学术研究与产业需求的差距。
2023-10-30 cs.IR cs.MM
EPIC: Explicit Posterior Item Conditioning for Semantic ID Diffusion Recommendation
VinUniversity;Griffith University(格里菲斯大学);Aalborg University(奥尔堡大学)
本研究针对语义ID扩散推荐提出EPIC方法,通过构建个性化候选物品后验分布引导去噪,在四个Amazon基准测试上实现了对强基线的持续性能提升。
2026-09-04 cs.IR cs.LG
Large Language Models as Data Augmenters for Cold-Start Item Recommendation
针对传统推荐系统在冷启动物品上缺乏历史交互的问题,提出利用LLM作为数据增强器,基于用户历史和物品描述推断偏好,并通过辅助成对损失将增强信号融入模型,显著提升了多种推荐模型在冷启动场景下的性能。
2024-02-18 cs.IR
Sequential LLM Framework for Fashion Recommendation
Washington University in St. Louis(圣路易斯华盛顿大学);Amazon(亚马逊公司);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
提出一种序列时尚推荐框架,利用预训练LLM结合推荐特定提示、参数高效微调和基于混合的检索技术,显著提升了时尚推荐性能。
2024-10-15 cs.AI cs.CL cs.IR
CITIES: Contextual Inference of Tail-Item Embeddings for Sequential Recommendation
顺序推荐技术通过处理随时间变化的用户偏好,为用户提供适合其当前偏好的产品推荐。以前的研究集中在对序列动态进行建模,而没有太多地考虑哪种最畅销的产品(即,标题项目)或利基产品(即,尾项)。我们仔细研究的结构原因,为什么尾项几乎没有在当前的顺序推荐模型,其中包括一个项目嵌入层,一个序列建模层,和一个推荐层。设计良好的序列建模和推荐层有望自然地学习合适的项目嵌入。然而,尾项可能达不到这一预期,因为当前的模型结构不适合在数据不足的情况下学习高质量的嵌入。因此,尾项很少被推荐。为了消除这个问题,我们提出了一个名为CITIES的框架,其目的是通过使用多个上下文头项训练嵌入推理函数来提高尾项嵌入的质量,从而不仅提高尾项的推荐性能,而且提高头项的推荐性能。此外,我们的框架可以推断新的项目嵌入,而无需额外的学习过程。在两个真实数据集上的大量实验表明,将CITIES应用于最先进的方法可以提高尾项和头项的推荐性能。我们进行了一个额外的实验,以验证CITIES可以推断出合适的新项目嵌入。
2021-05-23 cs.IR
Addressing Item-Cold Start Problem in Recommendation Systems using Model Based Approach and Deep Learning
Ss. Cyril and Methodius University(圣基里尔和麦托迪大学)
传统的推荐系统依赖于过去的使用数据来生成新的推荐。这些方法无法为新用户和系统中的项目生成合理的推荐,因为缺少有关他们过去交互的信息。在本文中,我们提出了一个解决方案,成功地解决项目冷启动问题,使用基于模型的方法和深度学习的最新进展。特别地,我们使用潜在因素模型进行推荐,当无法从使用数据中获得潜在因素时,使用卷积神经网络从项目的描述中预测潜在因素。通过对可用使用数据应用矩阵因式分解获得的潜在因子被用作地面实况以训练卷积神经网络。为了创建新项的潜在因子表示,卷积神经网络使用它们的文本描述。实验结果表明,所提出的方法显着优于几个基线估计。
2017-06-18 cs.IR cs.LG stat.ML
MindReader: Recommendation over Knowledge Graph Entities with Explicit User Ratings
Aalborg University(奥尔堡大学)
知识图谱(KGs)已经被集成到几种推荐模型中,以通过图中的相关实体来增加项目的信息价值。然而,现有的数据集只提供对项目的明确评级,并且没有提供关于其他(不可识别的)实体的用户意见的信息。为了克服这一限制,我们引入了一个新的数据集,称为MindReader,提供明确的用户评级项目和KG实体。在第一个版本中,MindReader数据集提供了从1,174个真实用户收集的超过10.2万个明确的评级,这些评级来自电影领域的KG项目和实体。这个数据集是通过一个在线面试应用程序收集的,我们也发布了开源。作为这个新的数据集的重要性的演示,我们提出了一个比较研究的效果,包括评级对非项目KG实体在各种国家的最先进的推荐模型。特别是,我们表明,大多数模型,无论是否专门为图形数据设计,在明确的非项目评级训练时,推荐质量都有所提高。此外,对于某些模型,我们表明,非项目评级可以有效地取代项目评级,而不会损失推荐质量。这一发现,也由于观察到更熟悉的用户对共同KG实体比对长尾项目,激励使用KG实体的热启动和冷启动建议。
2021-06-08 cs.IR cs.LG
NRPA: Neural Recommendation with Personalized Attention
Tianjin University(天津大学);Microsoft Research Asia(微软亚洲研究院);Tsinghua University(清华大学)
现有的基于评论的推荐方法通常使用相同的模型来从用户对项目发布的评论中学习所有用户/项目的表示。然而,不同的用户有不同的偏好,不同的项目有不同的特点。因此,相同的词或类似的评论对于不同的用户和项目可能具有不同的信息量。在本文中,我们提出了一种具有个性化注意力的神经推荐方法,以从评论中学习用户和项目的个性化表示。我们使用评论编码器从单词中学习评论的表示,使用用户/项目编码器从评论中学习用户或项目的表示。我们提出了一个个性化的注意力模型,并将其应用到评论和用户/项目编码器,以选择不同的重要的话和评论,为不同的用户/项目。在五个数据集上的实验验证了该方法可以有效地提高神经推荐的性能。
2019-05-29 cs.CL cs.IR cs.LG
Enhancing Item Tokenization for Generative Recommendation through Self-Improvement
Snap Inc.(斯奈普公司);Yale University(耶鲁大学);Cardiff University(卡迪夫大学)
针对生成式推荐中物品标记化与LLM内部模式不一致的问题,提出一种自改进标记化方法,通过在训练中动态调整外部生成的标记,实现即插即用的性能提升,推荐准确率平均提高8%。
2024-12-22 cs.IR cs.LG
Feature-based factorized Bilinear Similarity Model for Cold-Start Top-n Item Recommendation
University of Minnesota(明尼苏达大学);Samsung Research America(三星美国研究院)
向现有用户推荐新项目由于缺乏用户对这些项目的过去偏好而仍然是一个具有挑战性的问题。基于项目特征的用户个性化非协作方法可以用来解决该项目的冷启动问题。这些方法依赖于目标项目和用户先前偏好项目之间的相似性。这些方法在基于项目特征计算相似度时,忽略了项目特征之间的相互作用,将它们独立考虑。对特征之间的交互进行建模可能是有帮助的,因为与独立考虑特征的情况相比,当一起考虑时,一些特征提供了关于项目相关性的更强信号。为了解决这个重要的问题,在这项工作中,我们引入了基于搜索的因子分解双线性相似性模型(FBSM),它学习因子分解双线性相似性模型的TOP-n推荐的新项目,给定的信息,用户在过去的偏好以及这些项目的特点。我们对基准数据集进行了广泛的实证评估,我们发现,所提出的FBSM方法在推荐性能方面优于传统的非协作方法。此外,该方法还从数据中学习项目特征之间的有见地的交互作用,从而深入了解这些交互作用如何有助于个性化推荐。
2019-04-22 cs.IR cs.LG stat.ML
Beyong Tokens: Item-aware Attention for LLM-based Recommendation
City University of Hong Kong(香港城市大学)
本文提出项感知注意力机制,通过区分项内和项间标记关系,提升LLM在推荐中的表现,实验证明其有效性。
2026-04-14 cs.IR
Item Cluster-aware Prompt Learning for Session-based Recommendation
University of Illinois Chicago(伊利诺伊大学香槟分校)
提出CLIP-SBR框架,通过全局图建模会话内与跨会话项目关系,并用软提示高效整合,在八个模型和三个数据集上稳定提升推荐性能。
2025-05-27 cs.AI cs.IR cs.LG
Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning
针对序列音乐推荐场景,提出融合跳过等负反馈的序列感知对比子任务,优化会话嵌入空间结构,在三个数据集的多项指标上均取得稳定性能提升。
2024-09-11 cs.IR
A Model-Agnostic Framework for Recommendation via Interest-aware Item Embeddings
University of Surrey(萨里大学)
针对现有物品表示难以直接反映用户兴趣的问题,本文提出模型无关的IaCN框架,通过辅助任务联合学习基于物品与面向兴趣的物品嵌入,并在多场景实验中显著提升多种推荐模型性能。
2023-08-17 cs.AI cs.IR cs.LG
Sequential Recommendation with Auxiliary Item Relationships via Multi-Relational Transformer
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Salesforce AI Research(Salesforce人工智能研究院);South China Agricultural University(华南农业大学);Beihang University(北京航空航天大学)
顺序推荐(SR)模型的用户动态和预测下一个首选项的基础上,用户的历史。现有的SR方法模型的“被交互之前”项目的序列中观察到的项目转换,这可以被看作是一个项目的关系。但是,存在多个辅助项关系,例如,来自类似品牌的物品,并且在现实世界的场景中具有类似内容。辅助项关系以多种不同的语义描述项与项之间的关系,缓解了推荐中的长时间冷启动问题。然而,它仍然是一个显着的挑战,SR辅助项目的关系建模。为了同时建模高阶项目的序列和辅助项目的关系,我们提出了一个多关系Transformer能够建模辅助项目关系SR(MT4SR)。具体来说,我们提出了一种新的自我注意模块,它结合了任意的项目关系和权重的项目关系。其次,我们用一个新的正则化模块来规范序列内的项目关系,以监督注意力计算。第三,对于序列间项目关系对,我们提出了一个新的序列间相关项目建模模块。最后,我们在四个基准数据集上进行了实验,并证明了MT4SR在最先进的方法和冷启动问题上的改进的有效性。该代码可在www.example.com上获得。
2022-10-28 cs.AI cs.IR cs.LG
Item Association Factorization Mixed Markov Chains for Sequential Recommendation
本文提出项目关联分解混合马尔可夫链算法,利用项目关联图融合项目间关联与用户行为序列信息,在四个公开数据集上以少量参数提升推荐排序效果。
2024-11-18 cs.IR
Learning Item-Interaction Embeddings for User Recommendations
Etsy, Inc(Etsy公司)
行业规模的推荐系统已经成为电子商务购物体验的基石。对于Etsy,一个拥有超过5000万件手工和复古物品的在线市场,用户开始依赖个性化的推荐来从其庞大的库存中展示相关物品。Etsy购物体验的一个标志是用户可以与他们感兴趣的物品进行交互的多种方式:他们可以查看它,收藏它,将其添加到收藏中,将其添加到购物车,购买它等。因此,用户的推荐不仅应该基于他们过去活动中的项目,还应该基于他们与该项目交互的方式。在本文中,我们提出了一种新的方法来学习基于交互的项目嵌入编码的同现模式,不仅项目本身,而且互动类型。学习的嵌入为我们提供了一种方便的方法,通过简单的内积来近似一个项目交互对与另一个项目交互对共存的可能性。由于其计算效率,我们的模型自然适合作为候选集选择方法,我们在Etsy.com上提供实时流量的行业规模推荐系统中对其进行了评估。我们的实验表明,将交互类型考虑在内,在提高用户购物行为建模的准确性方面显示出可喜的成果。
2018-12-11 cs.IR cs.LG stat.ML
How to Index Item IDs for Recommendation Foundation Models
Rutgers University(罗格斯大学)
本文针对推荐基础模型的物品标识问题,以 P5 为骨干分析简单索引缺陷,并提出顺序、协同、语义与混合四类索引方法,验证其可提升 LLM 推荐效果。
2023-09-26 cs.AI cs.CL cs.IR
Item-Item Music Recommendations With Side Information
在线音乐服务拥有数千万首曲目。内容本身是广泛的,涵盖各种音乐流派以及非音乐音频内容,如广播剧和播客。内容的庞大规模和多样性使得用户很难找到相关的曲目。因此,相关建议对于良好的用户体验至关重要。在这里,我们提出了一种方法来计算轨迹轨迹相似性使用协同过滤信号与边信息。在来自音乐流媒体服务SoundCloud的数据集上,这里的方法优于广泛采用的隐式矩阵分解技术。我们的方法的实现是开源的,可以应用于相关的项目项目推荐任务的边信息。
2017-12-18 cs.IR
Assessing Fashion Recommendations: A Multifaceted Offline Evaluation Approach
时尚是开发推荐系统(RS)的一个独特领域。个性化对时尚用户至关重要。因此,高度准确的推荐是不够的,除非它们也是特定于用户的。此外,时尚数据的特征是绝大多数新用户,因此仅对具有先前交互历史的用户表现良好的推荐策略不适合时尚问题。在时尚推荐中解决这些问题的关键是评估策略:1)包括与时尚相关的多个度量,以及2)在具有不同交互历史的用户段内执行。在这里,我们提出了评估时尚RS的多方面离线策略。使用我们提出的评估方法,我们比较了三种不同的算法,最流行的(MP)项目策略,协同过滤(CF)策略,和基于内容的(CB)策略的性能。我们证明,只有通过考虑这些算法在多个指标和用户细分的性能,我们可以确定在何种程度上每个算法可能满足时尚用户的需求。
2019-09-05 cs.IR
Recommendation under Capacity Constraints
University of Minnesota(明尼苏达大学);Netflix
在本文中,我们研究了常见的情况下,每个候选项目的推荐是由一个最大容量,即,兴趣点(POI)中的座位数或物品库存的大小。尽管在各种设置中的能力约束下推荐项目的任务的流行,据我们所知,没有一个已知的推荐方法被设计为尊重能力约束。为了缩小这一差距,我们扩展了三种最先进的潜在因素推荐方法:概率矩阵分解(PMF),地理矩阵分解(GeoMF),和baidu个性化排名(BPR),以优化推荐精度和预期项目使用率,尊重容量限制。我们介绍了有用的概念,用户倾向于听和项目容量。我们的实验结果在现实世界的数据集,无论是项目推荐和兴趣点推荐领域,突出了我们的方法的好处,在容量限制的建议设置。
2017-03-12 cs.IR cs.LG stat.ML
Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms
Top-N项目推荐是一个被广泛研究的内隐反馈任务。虽然神经方法已经取得了很大的进展,有越来越多的关注,适当的评价推荐算法。在本文中,我们重新评估前N推荐算法的替代实验设置,考虑三个重要因素,即数据集分割,采样指标和域选择。我们选择了八种有代表性的推荐算法(包括传统方法和神经方法),并在一个非常大的数据集上进行了广泛的实验。通过仔细地重新审视不同的选项,我们在这三个因素上得出了一些重要的发现,这些发现直接为如何适当地设置top-N项目推荐实验提供了有用的建议。
2020-10-09 cs.IR
General Item Representation Learning for Cold-start Content Recommendations
Seoul National Univ.(首尔大学);Kakao Brain
针对冷启动推荐中原始内容信息未充分利用的问题,提出一种基于Transformer架构、免分类标签的领域无关多模态物品表示学习框架,实验证明其能更好保留细粒度用户品味并大规模适用于多个领域。
2024-04-22 cs.IR cs.LG cs.MM
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
Multi-granularity Item-based Contrastive Recommendation
对比学习(CL)已经在推荐中显示出其强大的功能。然而,大多数基于CL的推荐模型仅仅关注用户的方面,忽略了项目中丰富多样的信息。在这项工作中,我们提出了一个新的多粒度基于项目的对比学习(MicRec)框架的匹配阶段(即,该方法系统地将多方面的项目相关信息引入到基于CL的表示学习中。具体来说,我们建立了三个基于项目的CL任务作为一组即插即用的辅助目标,以捕捉项目的相关性,在功能,语义和会话水平。特征级项目CL旨在通过项目及其增强来学习细粒度的特征级项目相关性。语义级项CL关注语义相关项之间的粗粒度语义相关性。会话级项目CL突出了来自所有会话中的用户顺序行为的项目的全局行为相关性。在实验中,我们进行离线和在线评估现实世界的数据集,验证了三个CL任务的有效性和普遍性。目前,MicRec已经部署在一个真实世界的推荐系统上,影响了数百万用户。源代码将在未来发布。
2022-11-02 cs.IR
Meta-Prod2Vec - Product Embeddings Using Side-Information for Recommendation
Criteo;Facebook AI Research
我们提出了Meta-M2 vec,一种新的方法来计算项目相似度的建议,利用现有的项目元数据。在内容推荐、广告定位和网络搜索等应用中经常会遇到这样的场景。我们的方法利用过去的用户与项目及其属性的交互来计算项目的低维嵌入。具体地说,项元数据作为辅助信息被注入到模型中,以正则化项嵌入。我们表明,新的项目表示导致更好的性能在一个开放的音乐数据集上的推荐任务。
2016-07-25 cs.AI cs.IR
Latent Structure Mining with Contrastive Modality Fusion for Multimedia Recommendation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
近年来,人们对多媒体推荐越来越感兴趣,多媒体推荐的目的是预测用户是否会与具有多模态内容的项目进行交互。以往的研究集中在建模用户项目交互多模态功能包括作为边信息。然而,该方案不是很好地设计用于多媒体推荐。首先,只有合作项目项目关系隐式建模通过高阶项目-用户-项目同现。我们认为,潜在的语义项目,这些多模态内容的项目结构可能有利于学习更好的项目表示,并协助推荐模型,以全面发现候选项目。其次,以前的研究忽略了细粒度的多模态融合。虽然有机会获得多个模态可能会让我们捕捉到丰富的信息,我们认为,简单的粗粒度融合的线性组合或级联在以前的工作是不够的,以充分了解内容信息和项目的relationship.To为此,我们提出了一个潜在的结构挖掘与ContRastive mOdality融合方法(MICRO为简洁)。具体而言,我们设计了一个新颖的模态感知结构学习模块,学习每个模态的项目-项目关系。基于学习到的模态感知潜在项关系,我们执行图卷积,显式地将项亲和力注入到模态感知项表示中。然后,我们设计了一种新的对比方法来融合多模态特征。这些丰富的项目表示可以插入到现有的协同过滤方法中,以做出更准确的推荐。在真实世界数据集上进行的大量实验表明,我们的方法优于最先进的基线。
2022-03-17 cs.IR cs.LG cs.MM
Modeling Field-level Factor Interactions for Fashion Recommendation
个性化时尚推荐旨在从用户与时尚物品之间的历史交互中探索模式,从而预测未来的模式。由于交互数据的稀疏性和用户对时尚偏好的多样性,这是具有挑战性的。为了解决这一问题,本文研究了服装领域中的色彩、款式、品牌等多因素场,并试图将隐含的用户-物品交互作用细化到场的层次。具体而言,注意力因素场交互图(AFFIG)的方法,提出了模型的用户因素的相互作用和跨领域的因素的相互作用,预测在特定领域的推荐概率。此外,还配备了一个注意力机制,用于聚合每个领域的跨领域因素交互作用。在三个电子商务时尚数据集上进行了大量的实验,实验结果证明了该方法在时尚推荐中的有效性。并通过实验讨论了各因素场对时尚领域推荐的影响。
2022-04-08 cs.IR cs.MM
Personalized Recommendation via Integrated Diffusion on User-Item-Tag Tripartite Graphs
个性化推荐系统面临着准确性、多样性和新颖性的巨大挑战,特别是当数据集稀疏且缺乏用户简档、项目属性和显式评分等辅助信息时。协作标签包含有关个性化偏好和项目内容的丰富信息,因此有可能帮助提供更好的推荐。在本文中,我们提出了一个推荐算法的基础上,综合扩散的用户-项目-标签三方图。我们使用三个基准数据集,Del.icio.us,MovieLens和BibSonomy,来评估我们的算法。实验结果表明,标签信息的使用可以显着提高推荐的准确性,多样化和新颖性。
2009-04-13 cs.IR
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