Modeling the Dynamics of User Preferences for Sequence-Aware Recommendation Using Hidden Markov Models
DePaul University(德保罗大学)
在涉及与最终用户交互的各种在线设置中,系统适应用户偏好的变化至关重要。用户对项目的偏好往往会随着时间的推移而改变,这是由于各种因素,如上下文的变化、正在执行的任务或其他短期或长期的外部因素。推荐系统需要能够捕获用户偏好中的这些动态,以便保持对用户最新兴趣的调整。在这项工作中,我们提出了一个建议框架,考虑到用户偏好的动态。我们提出了一种基于隐马尔可夫模型(HMM)的方法来识别用户交互序列中的变点,根据数据中所有用户的顺序行为来反映偏好的显着变化。所提出的框架利用所确定的变化点,使用序列感知的非负矩阵分解模型生成建议。我们经验证明了基于HMM的变化检测方法的有效性相比,标准的基线方法。此外,我们评估了所提出的推荐方法的性能,并表明它相比有利的最先进的序列感知推荐模型。
2019-05-14 cs.IR cs.LG
Uncertainty Quantification and Decomposition for LLM-based Recommendation
Korea University(高丽大学)
针对LLM推荐存在的不确定性问题,本文提出预测不确定性估计框架及分解为推荐与提示不确定性的方法,实验验证其能有效指示推荐可靠性、分析来源并通过不确定性感知提示提升推荐效果。
2025-02-12 cs.CL cs.IR
Sequential Recommendation with User Evolving Preference Decomposition
用户序列行为建模近年来在推荐领域引起了越来越多的关注。现有的方法大多假设一致的偏好在同一序列。然而,用户个性是不稳定的,很容易改变,并且可能存在多种混合的用户行为偏好。为了解决这个问题,本文提出了一种新的顺序推荐模型,通过分解和建模用户独立的偏好。为了实现这一目标,我们强调了三个实际的挑战,考虑到不一致的,不断发展的和不均匀的性质的用户行为,这是很少注意到以前的工作。为了在一个统一的框架中克服这些挑战,我们引入了一个强化学习模块来模拟用户偏好的演变。更具体地说,动作的目的是根据先前的项目如何分解以及连续行为之间的时间间隔将每个项目分配到子序列中或创建新的子序列。奖励与学习目标的最终损失相关联,旨在生成能够更好地拟合训练数据的子序列。我们进行了广泛的实验,基于六个真实世界的数据集在不同的领域。实验结果表明,与现有方法相比,该模型在查准率、查全率、NDCG和MRR等方面的性能分别提高了8.21%、10.08%、10.32%和9.82%。
2022-03-31 cs.IR
A novel Empirical Bayes with Reversible Jump Markov Chain in User-Movie Recommendation system
IIT Guwahati(印度理工学院古瓦哈提分校)
在本文中,我们选择的未知维的特征,通过可逆跳MCMC内的模拟退火在协同过滤器的贝叶斯建立。我们在MovieLens小数据集中实现了相同的功能。我们还调整超参数,使用修改后的经验贝叶斯。它也可以用来猜测网格搜索过程中的超参数的初始选择,即使是MCMC在真值附近振荡或需要很长时间才能收敛的数据集。
2018-08-15 cs.IR cs.LG stat.CO
Music Sequence Prediction with Mixture Hidden Markov Models
自动为用户生成个性化音乐播放列表的推荐系统近年来吸引了巨大的关注。目前,大多数音乐推荐系统依赖于基于项目或基于用户的协同过滤或基于内容的方法。本文提出了一种新的混合隐马尔可夫模型(HMM)的音乐播放序列预测。我们将混合模型与最先进的方法进行比较,并在Kaggle竞赛中的大规模真实数据集上定量和定性地评估预测。结果表明,我们的模型显着优于传统的方法以及其他竞争对手。最后,我们展望了下一代音乐推荐系统,该系统将我们的模型与深度学习、计算机视觉和语音技术的最新进展相结合,在学术界和工业界都具有广阔的潜力。
2018-09-27 cs.IR cs.MM
Sliding Spectrum Decomposition for Diversified Recommendation
Xiaohongshu Inc.(小红书公司)
内容提要是一种推荐一系列项目供用户浏览和参与的产品,在社交媒体平台中非常受欢迎。在本文中,我们建议研究的多样性问题,在这样的情况下,从项目序列的角度来看,使用时间序列分析技术。我们推导出一种称为滑动谱分解(SSD)的方法,捕捉用户的多样性浏览长项目序列的看法。我们还分享了设计和实现合适的项目嵌入方法以在长尾效应下进行准确相似性测量的经验。结合在一起,它们现在已经完全实现并部署在小红书App的生产推荐系统中,该系统每天为数千万用户提供主要的Explore Feed产品。通过理论分析、离线实验和在线A/B测试,验证了该方法的有效性和高效性。
2021-07-12 cs.IR cs.LG
Modeling the Heterogeneous Duration of User Interest in Time-Dependent Recommendation: A Hidden Semi-Markov Approach
本文提出隐半马尔可夫模型以捕捉用户兴趣状态的异质性持续时间,通过期望最大化算法估计参数,在三个真实数据集上显著优于现有方法。
2024-12-15 cs.IR cs.LG
A Hierarchical Contextual Attention-based GRU Network for Sequential Recommendation
顺序推荐是Web应用的基本任务之一。以前的方法大多是基于马尔可夫链与强马尔可夫假设。最近,递归神经网络(RNN)越来越受欢迎,并已在许多任务中证明了其有效性。最后一个隐藏状态通常被用作序列的表示来进行推荐。得益于RNN的自然特性,隐藏状态在一定程度上是长期依赖和短期兴趣的结合。然而,RNN的单调时间依赖性损害了用户的短期兴趣。因此,隐藏状态不足以反映用户的最终兴趣。在这项工作中,为了解决这个问题,我们提出了一个层次上下文注意力为基础的GRU(HCA-GRU)网络。HCA-GRU的第一级在输入端进行。我们利用注意力机制,通过使用几个最近的输入来构造上下文输入。这可以模拟最近项目之间的复杂相关性,并加强隐藏状态。第二层是在隐藏状态下执行的。我们融合了当前隐藏状态和由注意力机制建立的上下文隐藏状态,从而得到更适合用户整体兴趣的隐藏状态。在两个真实数据集上的实验表明,HCA-GRU能够有效地生成个性化的排序列表,并取得了显著的改进。
2018-02-05 cs.IR
ADS-POI: Agentic Spatiotemporal State Decomposition for Next Point-of-Interest Recommendation
Fudan University(复旦大学);Southeast University(东南大学);University of Malaya(马来亚大学)
ADS-POI通过分解用户行为为多个时空感知状态,提升兴趣点推荐的准确性和鲁棒性,实验显示其优于现有最先进基线。
2026-02-10 cs.AI cs.IR
Enhancing Group Recommendation using Soft Impute Singular Value Decomposition
Department of Computer Science, African University of Science and Technology(非洲科学与技术大学计算机科学系);Department of Computer Science, Baze University(贝泽大学计算机科学系);Faculty of Mathematics and Computer Science, Babes-Bolyai University(巴贝-鲍耶大学数学与计算机科学学院)
针对现有群组推荐方法受数据稀疏、高维问题困扰的不足,提出Group Soft-Impute SVD模型,通过低秩矩阵补全优化推荐效果,在多数据集上取得更优或相当的性能,高维数据处理能力更强。
2025-11-14 cs.AI cs.IR
Turbo-CF: Matrix Decomposition-Free Graph Filtering for Fast Recommendation
Yonsei University(延世大学)
本文提出Turbo-CF,一种免训练且免矩阵分解的图滤波协同过滤方法,通过多项式低通滤波器在避免高昂计算成本的同时,实现了低于1秒的快速且准确的推荐。
2024-04-22 cs.AI cs.IR cs.IT
Privacy Preserving Recommendation System Based on Groups
推荐系统在近几十年来受到了相当大的关注。然而,随着信息技术和社交媒体的发展,越来越多的用户越来越担心向服务提供商泄露私人数据的风险。推荐系统中质量和隐私之间的权衡自然出现。在本文中,我们提出了一个隐私保护的推荐框架的基础上组。其主要思想是使用组作为自然的中间件来保护用户的隐私。提出了一种分布式偏好交换算法,保证了数据的匿名性,其中匿名集的有效规模随时间渐近地逼近群体规模。我们构建了一个基于马尔可夫随机游走的混合协同过滤模型,为群体成员提供推荐和预测。在MovieLens和Epperly数据集上的实验结果表明,尽管缺乏个人偏好信息,我们提出的方法在推荐精度和命中率方面都优于基线方法,L+和ItemRank,这两种最先进的个性化推荐算法。
2013-05-13 cs.IR
A Neural Matrix Decomposition Recommender System Model based on the Multimodal Large Language Model
Tandon School of Engineering, University of New York(纽约大学坦登工程学院);Cullen College of Engineering, University of Houston(休斯顿大学卡伦工程学院)
本研究针对信息检索需求,提出结合BoBERTa、ViT与神经矩阵分解的多模态大语言模型推荐系统BoNMF,经实验验证其在公开数据集上性能优异,有效提升推荐准确率。
2024-07-12 cs.AI cs.IR
Recommendation Ranking Off-Policy Evaluation under Ranking-Dependent Examination via Examination-Relevance Decomposition
Waseda University(早稻田大学)
针对推荐排序离线策略评估中点击偏差问题,提出基于检验-相关性分解的LE-IIPS与ED-DR估计器,后者在检验概率正确或排名无关检验下无偏,大样本时MSE更低。
2026-09-29 cs.IR cs.LG
A Matrix Decomposition Model Based on Feature Factors in Movie Recommendation System
本文提出UISVD++模型,将用户年龄和电影类型属性融入SVD++框架以丰富辅助信息,在Movielens数据集上验证了其评分预测精度优于基线方法,并能有效缓解冷启动问题。
2023-12-04 cs.IR cs.NA math.NA
Expert Recommendation via Tensor Factorization with Regularizing Hierarchical Topical Relationships
知识获取和交流对企业和个人来说通常都是至关重要的,但成本很高,特别是当知识涉及各个领域时。问答社区提供了以低成本共享知识的机会,其中社区用户(其中许多是领域专家)可以潜在地为给定问题提供高质量的解决方案。在本文中,我们提出了一个框架,在多个协作网络中寻找专家。我们采用树引导学习(通过张量分解)和矩阵分解的最新技术来探索过去投票帖子的用户专业知识。张量分解能够利用用户的潜在专业知识,帖子和相关标签有助于识别相关领域。最终结果是每个用户在每个知识领域的专业知识得分。我们在Stack Exchange Networks上进行了实验,这是一组关于不同主题的问答网站,拥有大量用户和帖子。实验表明,我们提出的方法产生稳定和溢价输出。
2018-08-07 cs.IR
On-Device Next-Item Recommendation with Self-Supervised Knowledge Distillation
现代推荐系统以完全基于服务器的方式运行。为了满足数百万用户的需求,需要频繁的模型维护和高速处理并发用户请求,这是以巨大的碳足迹为代价的。与此同时,用户需要上传他们的行为数据,甚至包括直接的环境上下文到服务器,提高了公众对隐私的关注。设备上推荐系统通过成本意识设置和本地推理来规避这两个问题。然而,由于有限的内存和计算资源,设备上的推荐系统面临着两个基本的挑战:(1)如何减少规则模型的大小,以适应边缘设备?(2)如何保持原有的能力?以往的研究大多采用张量分解技术对规则推荐模型进行压缩,压缩比有限,以避免性能急剧下降。在本文中,我们探索超紧凑模型的下一个项目推荐,通过放松张量分解的维度一致性的约束。同时,为了弥补压缩带来的容量损失,提出了一种自监督的知识蒸馏框架,使压缩后的模型(学生)能够提取原始数据中的基本信息,并通过与原模型(教师)的嵌入重组策略改进长尾项目推荐。在两个基准上的大量实验表明,随着模型大小减少30倍,压缩模型几乎没有精度损失,在大多数情况下甚至优于未压缩的模型。
2022-04-23 cs.IR
Partially Observable Markov Decision Process for Recommender Systems
Hong Kong University of Science and Technology(香港科技大学)
我们报告的“经常性恶化”(RD)现象观察到在线推荐系统。当推荐模型总是基于用户对先前推荐的反馈进行训练时,RD现象表现为性能下降的趋势。有几个原因的推荐系统遇到RD现象,包括缺乏负训练数据和用户的兴趣的演变,等等。出于解决问题,导致RD现象,我们提出了POMDP-Rec框架,这是一个神经优化的部分可观察马尔可夫决策过程算法的推荐系统。我们证明了POMDP-Rec框架有效地使用了来自真实世界推荐系统的累积历史数据,并自动实现了与那些通过公共数据集上的域导出进行彻底微调的模型相当的结果。
2016-09-01 cs.AI cs.IR
MV-RNN: A Multi-View Recurrent Neural Network for Sequential Recommendation
顺序推荐是网络应用中的一项基本任务,但由于用户反馈不足,顺序推荐往往会出现项目冷启动问题。目前比较流行的方法有三种,分别是基于矩阵分解的协同过滤方法、基于马尔可夫链的协同过滤方法和基于循环神经网络的协同过滤方法。虽然被广泛使用,但它们有一些局限性。基于MF的方法不能捕捉动态用户的兴趣。强马尔可夫假设极大地限制了基于MC的方法的性能。基于RNN的方法仍处于整合额外信息的早期阶段。在这些基本模型的基础上,许多附加信息的方法只能以单独的方式验证一种模态。本文提出了一种多视图循环神经网络(MV-RNN)模型,用于进行顺序推荐和解决项目冷启动问题。鉴于潜在的特征,MV-RNN可以通过合并视觉和文本信息来缓解项目冷启动问题。首先,在MV-RNN的输入端,研究了三种不同的多视图特征组合,如拼接,添加融合和通过重建原始多模态数据进行融合。MV-RNN应用递归结构来动态捕获用户的兴趣。其次,我们设计了MV-RNN隐状态的分离结构和联合结构,以探索一种更有效的处理多视图特征的方法。在两个真实数据集上的实验表明,MV-RNN可以有效地生成个性化的排序列表,解决缺失模态问题,并显着缓解项目冷启动问题。
2018-11-20 cs.IR
Personalized Tree-Based Progressive Regression Model for Watch-Time Prediction in Short Video Recommendation
针对短视频推荐中观看时长预测问题,提出PTPM模型,通过个性化数据驱动树替代TPM的预定义满二叉树以优化分解过程,并解决TPM的选择偏差,实验显示准确性提升且已部署服务超4亿日活用户。
2025-08-25 cs.IR
Multi-behavior Recommendation with SVD Graph Neural Networks
针对多行为推荐中对比学习易受噪声干扰的问题,提出MB-SVD模型,利用SVD图增强全局协同表示并以InfoNCE损失进行简化对比学习,在多个真实数据集上取得显著性能提升。
2024-05-09 cs.IR
Toward Safe and Human-Aligned Game Conversational Recommendation via Multi-Agent Decomposition
Roblox Corporation(Roblox公司);University of Cambridge(剑桥大学)
MATCHA通过多智能体框架提升游戏对话推荐的安全性与人本对齐,实现更精细的个性化和更强的对抗防御能力。
2026-02-25 cs.CL cs.HC cs.IR
TD3: Tucker Decomposition Based Dataset Distillation Method for Sequential Recommendation
University of Science and Technology of China(中国科学技术大学);Beijing University of Posts and Telecommunications(北京邮电大学);Rutgers Business School(罗格斯商学院);Sun Yat-sen University(中山大学)
本文提出TD3方法,利用Tucker分解将序列推荐数据蒸馏为四个潜在因子,并通过双层优化和RaT-BPTT加速训练,在多个数据集上验证了其优越性与跨架构泛化能力。
2025-02-06 cs.IR cs.LG
Online Social Media Recommendation over Streams
社会化推荐作为网络社区中最受欢迎的服务之一,近年来吸引了越来越多的研究。在所有的推荐任务中,一个重要的是在高速社交媒体流上的社交项目推荐。现有的流媒体推荐技术不能有效地处理具有不同兴趣的社交用户。同时,用于向特定用户推荐项目的方法在应用于高速流上的大量用户时效率不高。在本文中,我们提出了一个新的框架,在流媒体环境中的社会推荐。具体来说,我们首先提出了一种新的双层隐马尔可夫模型(BiHMM),自适应地捕捉社交用户的行为以及他们与有影响力的官方账户的互动,以预测他们的长期和短期兴趣。然后,我们设计了一个新的概率实体匹配方案,有效地识别流媒体项目的相关性得分给用户。在此基础上,我们提出了一种新的索引方案,称为{ \Tree },以提高我们的解决方案的效率。大量的实验证明了我们的方法在推荐质量和时间成本方面的高性能。
2019-01-04 cs.DB cs.IR
Preference Networks: Probabilistic Models for Recommendation Systems
推荐系统对于帮助用户在大量可用数据中选择相关和个性化的信息非常重要。我们提出了一个统一的框架,称为偏好网络(PN),联合模型的推荐任务的各种类型的领域知识。PN是一种概率模型,它将基于内容的过滤和协同过滤系统地结合到一个条件马尔可夫随机场中。一旦被估计,它就充当支持各种有用查询的概率数据库,例如评级预测和顶级$N$推荐。为了处理学习大型用户和项目网络的挑战性问题,我们采用了一种简单但有效的伪似然正则化。在电影评分数据上的实验证明了PN的优点。
2014-07-22 cs.IR cs.SI stat.AP
Block based Singular Value Decomposition approach to matrix factorization for recommender systems
University of Hyderabad(海得拉巴大学);Central University of Rajasthan(拉贾斯坦中央大学)
近年来,随着数据的丰富,在推荐系统领域提出了有趣的挑战。生成具有可扩展性和性能的高质量推荐是当前的需求。基于奇异值分解(SVD)的推荐算法已经被利用来产生更好的结果。在本文中,我们进一步扩展SVD技术的可扩展性和性能的上下文中1)多线程2)多个计算单元(使用图形处理单元)和3)分布式计算。我们提出了基于块的矩阵分解(BMF)与SVD配对。这使我们能够利用SVD而不是基本矩阵分解(MF),同时利用BMF的并行性和可扩展性。我们使用统一计算设备架构(CUDA)平台和相关硬件来利用图形处理单元(GPU)以及基于块的SVD来展示性能和内存方面的优势。
2019-07-17 cs.AI cs.IR cs.LG
Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology
Google Research(谷歌研究院);University of Texas at Austin(德克萨斯大学奥斯汀分校);YouTube, LLC(YouTube有限责任公司)
大多数实用的推荐系统专注于估计即时用户参与度,而不考虑推荐对用户行为的长期影响。强化学习(RL)方法提供了优化长期用户参与建议的潜力。然而,由于用户经常被呈现多个项目的板-这可能对用户选择有交互作用-需要方法来处理RL动作空间的组合。在这项工作中,我们解决了使用RL提出基于石板的建议以优化长期价值的挑战。我们的贡献是三方面的。(i)我们开发了SLATEQ,一种基于值的时间差和Q学习的分解,使RL易于使用石板。在对用户选择行为的温和假设下,我们证明了一个石板的长期价值(LTV)可以分解为一个易于处理的功能,其组件项目明智的LTV。(ii)我们概述了一种方法,利用现有的近视学习为基础的推荐快速开发一个推荐处理LTV。(iii)我们在模拟中展示了我们的方法,并在YouTube上的现场实验中使用SLATEQ验证了分解TD学习的可扩展性。
2019-05-31 cs.AI cs.IR cs.LG
SciRecSys: A Recommendation System for Scientific Publication by Discovering Keyword Relationships
Nguyen Tat Thanh University(阮爱国大学);Yeungnam University(岭南大学);Information Technology College(信息技术学院);University of Information Technology(信息技术大学);Chung-Ang University(中央大学)
在这项工作中,我们提出了一种新的方法来发现各种关键字之间的关系,在科学出版物的基础上的马尔可夫链模型。这是一个重要的问题,因为关键字是表示抽象对象的基本元素,如文档,用户简档,主题和许多其他东西。我们的模型是非常有效的,因为它结合了科学出版物的四个重要因素:内容,宣传,影响和随机性。特别是,推荐系统(称为SciRecSys)已经提出,以支持用户有效地找到相关的文章。
2015-02-27 cs.CL cs.DL cs.IR
Collaborative filtering via sparse Markov random fields
Center for Pattern Recognition and Data Analytics(模式识别与数据分析中心);Deakin University(迪肯大学)
推荐系统在提供个性化的信息和服务方面发挥着核心作用。本文重点介绍了协同过滤,一种方法,利用共享结构之间的头脑喜欢的用户和类似的项目。特别是,我们专注于一个正式的概率框架称为马尔可夫随机场(MRF)。我们解决了结构学习的开放问题,并引入了稀疏诱导算法来自动估计用户之间和项目之间的交互结构。项目-项目和用户-用户相关网络作为副产品获得。在电影推荐和日期匹配数据集上的大规模实验证明了该方法的有效性。
2016-02-09 cs.IR cs.LG stat.ML
Self-Attentive Sequential Recommendation
UC San Diego(加州大学圣地亚哥分校)
序列动态是许多现代推荐系统的一个关键特征,它们试图根据用户最近执行的操作来捕获用户活动的“上下文”。为了捕捉这种模式,两种方法已经激增:马尔可夫链(MC)和递归神经网络(RNN)。马尔可夫链假设用户的下一个动作可以根据他们的最后一个(或最后几个)动作来预测,而RNN原则上允许揭示长期语义。一般来说,基于MC的方法在极其稀疏的数据集中表现最好,其中模型简约性至关重要,而RNN在更密集的数据集中表现更好,其中更高的模型复杂性是可以承受的。我们工作的目标是平衡这两个目标,通过提出一个基于自注意力的顺序模型(SASRec),允许我们捕获长期语义(如RNN),但是,使用注意力机制,基于相对较少的动作(如MC)进行预测。在每个时间步,SASRec试图从用户的行为历史中识别哪些项目是“相关的”,并使用它们来预测下一个项目。大量的实证研究表明,我们的方法在稀疏和密集数据集上的性能优于各种最先进的序列模型(包括MC/CNN/基于RNN的方法)。此外,该模型比基于CNN/RNN的模型效率高一个数量级。注意力权重的可视化还显示了我们的模型如何自适应地处理具有不同密度的数据集,并揭示活动序列中有意义的模式。
2018-08-20 cs.IR cs.LG
Regularizing Matrix Factorization with User and Item Embeddings for Recommendation
Worcester Polytechnic Institute(伍斯特理工学院);Penn State University(宾夕法尼亚州立大学)
在最近成功地利用潜在因素和词嵌入模型在推荐中,我们提出了一种新的正则化多嵌入(RME)的推荐模型,同时封装了以下想法通过分解:(1)用户喜欢哪些项目,(2)哪两个用户共同喜欢相同的项目,(3)哪两个项目用户经常共同喜欢,以及(4)用户通常共同不喜欢哪两个项目。在实验验证中,RME在显式和隐式反馈数据集上都优于竞争最先进的模型,显著提高Recall@5 5.9~ 7.0%,NDCG@20 4.3~ 5.6%,MAP@10 7.9~ 8.9%。此外,在交互次数最少的用户的冷启动场景下,与竞争模型相比,RME在MovieLens-10 M和MovieLens-20 M数据集中的表现分别优于NDCG@5 20.2%和29.4%。我们的数据集和源代码可以在https://github.com/thanhdtran/RME.git上找到。
2018-08-31 cs.AI cs.IR
Sequential recommendation with metric models based on frequent sequences
INSA Lyon(里昂国立应用科学学院);CNRS(法国国家科学研究中心);LIRIS UMR5205;Visiativ;Université Lyon1(里昂第一大学)
建模用户偏好(长期历史)和用户动态(短期历史)是建立高效的顺序推荐系统的最重要的。挑战在于成功地结合整个用户的历史和他最近的行动(顺序动态),以提供个性化的建议。现有的方法捕获顺序动态的用户使用固定顺序马尔可夫链(通常是一阶链),而不管用户,这限制了用户的过去的影响,建议和能力,以适应其长度的用户简档。在这篇文章中,我们建议使用频繁序列来识别用户历史中最相关的部分。最突出的项目,然后在一个统一的度量模型中使用,该模型嵌入基于用户偏好和顺序动态的项目。大量的实验表明,我们的方法优于最先进的,特别是在稀疏数据集。我们表明,考虑不同长度的序列,提高了建议,我们还强调,这些序列提供的建议解释。
2020-08-12 cs.IR cs.LG stat.ML
Diversified recommendations of cultural activities with personalized determinantal point processes
pass Culture Soda Team, Inria Saclay(pass文化Soda团队,Inria萨克利实验室)
本研究利用个性化行列式点过程(DPP)采样实现文化活动推荐多样化,通过相似性核分解加权用户偏好,结合离线与在线指标评估相关性与多样性的权衡,并开源完整代码。
2025-09-12 cs.AI cs.IR
Contrastive Self-supervised Sequential Recommendation with Robust Augmentation
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Salesforce Research(Salesforce研究院);UC San Diego(加州大学圣迭戈分校)
顺序推荐描述了一组对动态用户行为进行建模的技术,以便预测顺序用户数据中的未来交互。这些方法的核心是对序列中项目之间的转移概率进行建模,无论是通过马尔可夫链、递归网络还是最近的Transformers。然而,新老问题仍然存在,包括数据稀疏性和噪声数据;这些问题可能会影响性能,特别是在复杂的,参数饥饿的模型中。在本文中,我们研究应用对比自监督学习(SSL)的顺序推荐,作为一种方式来缓解这些问题。对比SSL从未标记的实例中构建增强,其中正对之间的协议最大化。由于顺序推荐的离散性、项目之间的相关性以及长度分布的偏斜性,设计用于顺序推荐的对比SSL框架具有挑战性。为此,我们提出了一个新的框架,对比自监督学习顺序推荐(CoSeRec)。我们引入了两个信息增强算子,利用项目相关性来创建高质量的对比学习视图。在三个真实数据集上的实验结果表明,该方法在提高模型性能和对稀疏和噪声数据的鲁棒性方面是有效的。我们的实现可在\url{https://github.com/YChen1993/CoSeRec}上在线获得
2021-08-14 cs.AI cs.IR
TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations
Guangdong University of Technology(广东工业大学);Tencent Technology (SZ) Co., Ltd.(腾讯科技(深圳)有限公司);Cornell University(康奈尔大学)
顺序推荐的目的是在给定用户历史行为的特定时间点为用户选择最合适的项目。现有的方法通常基于马尔可夫链等基于转变的方法对用户行为序列进行建模。然而,这些方法也隐含地假设用户是彼此独立的,而没有考虑用户之间的影响。事实上,这种影响在序列推荐中起着重要的作用,因为用户的行为很容易受到其他人的影响。因此,希望聚合用户行为和用户之间的影响,这是在时间上演变的,并涉及到用户和项目的异构图。在本文中,我们将动态用户项异构图,提出了一种新的顺序推荐框架。结果,可以考虑历史行为以及用户之间的影响。为了实现这一点,我们首先形式化的顺序推荐作为一个问题,以估计条件概率给定的时间动态异构图和用户行为序列。之后,我们利用条件随机场聚合的异构图和用户行为的概率估计,并采用伪似然方法来推导出一个易于处理的目标函数。最后,我们提供了所提出的框架的可扩展和灵活的实现。在三个真实数据集上的实验结果不仅证明了该方法的有效性,而且为序列推荐提供了一些有意义的发现。
2022-07-08 cs.IR cs.LG
Revisiting SVD to generate powerful Node Embeddings for Recommendation Systems
Myntra Designs Pvt. Ltd.(Myntra设计私人有限公司)
图表示学习(GRL)是推荐系统中一个新兴的、有前途的研究领域。在本文中,我们重新审视的奇异值分解(SVD)的邻接矩阵嵌入生成的用户和项目,并使用一个两层神经网络上的这些嵌入,学习用户项目对之间的相关性。受高阶学习在GRL中的成功的启发,我们进一步提出了这种方法的扩展,通过邻接矩阵的二阶来包括SVD的两跳邻居,并与仅使用一跳邻居的简单SVD方法相比,表现出更好的性能。在推荐系统的三个公开数据集上的实证验证表明,所提出的方法尽管简单,但击败了许多最先进的方法,并且对于三个数据集中的两个,击败了所有这些方法,幅度高达10%。通过我们的研究,我们希望阐明矩阵分解方法的有效性,特别是SVD,在深度学习时代,并表明这些方法仍然是推荐系统的重要基线。
2021-10-05 cs.IR cs.LG cs.SI
SlateFree: a Model-Free Decomposition for Reinforcement Learning with Slate Actions
Sorbonne University(索邦大学);CNRS-LIP6(法国国家科学研究中心-巴黎第六大学计算机科学实验室)
我们考虑的问题,顺序建议,在每一步代理提出一些石板$N$不同的项目给用户从一个更大的目录大小$K>>N$。用户对推荐有未知的偏好,代理在强化学习的帮助下采取顺序行动,优化(在我们的情况下最小化)一些与用户相关的成本。一个石板的可能的项目组合是$\binom{K}{N}$,一个巨大的数字渲染值迭代方法棘手。我们证明了石板MDP实际上可以分解使用每个状态,它描述了一个更紧凑,更有效的方式问题的$K$项目相关的$Q$功能。在此基础上,我们提出了一种新的无模型SARSA和Q-学习算法,执行$N$并行迭代每一步,没有任何事先用户的知识。我们称这种方法为\texttt{SlateFree},即免费的石板,我们数值计算表明,它收敛非常快,任意用户简档的确切最佳,它优于文献中的替代品。
2022-09-05 cs.AI cs.IR cs.LG
Recommendations with Negative Feedback via Pairwise Deep Reinforcement Learning
Michigan State University(密歇根州立大学)
推荐系统通过向用户推荐个性化的商品或服务,在缓解信息过载问题方面起着至关重要的作用。绝大多数传统的推荐系统将推荐过程视为一个静态的过程,并遵循固定的策略进行推荐。在本文中,我们提出了一种新的推荐系统的能力,不断提高其策略,在与用户的互动。我们将用户和推荐系统之间的顺序交互建模为马尔可夫决策过程(MDP),并利用强化学习(RL)通过推荐试错项目并从用户的反馈中接收这些项目的强化来自动学习最优策略。用户的反馈可以是积极的和消极的,这两种类型的反馈都有很大的潜力,以提高推荐。然而,负反馈的数量远远大于正反馈,因此同时将它们合并是具有挑战性的,因为正反馈可能被负反馈所掩盖。在本文中,我们开发了一种新的方法,将它们纳入建议的深度推荐系统(DEERS)框架。基于真实电子商务数据的实验结果验证了该框架的有效性。进一步的实验已经进行了理解的重要性,积极和消极的反馈建议。
2018-08-10 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
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
Evaluation of Session-based Recommendation Algorithms
TU Dortmund(多特蒙德工业大学);AAU Klagenfurt(克拉根福大学)
推荐系统帮助用户找到感兴趣的相关项目,例如在电子商务或媒体流网站上。大多数学术研究关注的是根据长期用户简档个性化推荐的方法。然而,在许多现实世界的应用中,这种长期简档通常不存在,因此必须仅基于在正在进行的会话期间观察到的用户行为来进行推荐。鉴于高的实际相关性的问题,在这个问题上的兴趣增加,可以观察到在最近几年,导致一些建议基于会话的推荐算法,通常旨在预测用户的下一个动作。在这项工作中,我们提出了一些这样的算法,使用各种数据集和评估措施的深入性能比较的结果。我们的比较包括基于递归神经网络(如GRU4REC)的最新方法,因子分解马尔可夫模型方法(如FISM或FOSSIL),以及基于更简单的方法,例如,最近邻方案。我们的实验表明,后一类算法,尽管有时几乎微不足道的性质,往往表现得同样好,或显着优于今天的更复杂的方法,基于深度神经网络。因此,我们的研究结果表明,有很大的改进空间,关于更复杂的基于会话的推荐算法的发展。
2018-10-30 cs.AI cs.IR cs.LG
A Simple and Scalable Tensor Completion Algorithm via Latent Invariant Constraint for Recommendation System
University of Missouri - Columbia(密苏里大学哥伦比亚分校);Stanford University(斯坦福大学)
在本文中,我们提供了一个潜在的变量制定和解决方案的推荐系统(RS)问题的基本属性,任何合理的解决方案应该满足。具体来说,我们研究了一种新的张量完成方法,以有效和准确地学习模型参数的不可观察的个人偏好,用户评级的基础。通过正则化张量分解与一个单一的潜在不变,我们实现了可靠的推荐系统的三个属性:(1)张量完成结果的唯一性与最小的假设,(2)单位的一致性,是独立于用户的任意偏好,和(3)共识排序保证,提供一致的排名之间的观察和未观察到的评分。我们的算法导致一个简单而优雅的推荐框架,具有线性计算复杂性,没有超参数调整。我们提供的实证结果表明,该方法显着优于目前最先进的方法。
2022-07-03 cs.HC cs.IR cs.LG