【前沿 热点 顶会】NIPS/NeurIPS 2024中与推荐系统有关的论文

最新推荐文章于 2024-12-17 23:48:27 发布
最新推荐文章于 2024-12-17 23:48:27 发布
阅读量1.9k 收藏 16
点赞数 19
分类专栏： 顶刊顶会论文合集 文章标签： 推荐算法 云计算 数据挖掘 人工智能 人机交互 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/A_Student10000/article/details/142690190
版权

具有双重影响的推荐系统中的用户创建者特征动态

推荐系统的设计具有向用户展示相关内容和帮助内容创作者接触目标受众的双重目的。这些系统的两面性自然会影响用户和创建者：用户的偏好可以通过他们被推荐的项目来改变，而创建者可能会受到激励来改变他们的内容，以便更频繁地被推荐。我们定义了一个模型，称为用户-创建者特征动力学，来捕捉推荐系统的双重影响。我们证明了具有双重影响的推荐系统肯定会两极分化，导致系统中的多样性损失。然后，我们从理论和实验两个方面研究了在推荐系统中促进多样性的方法作为一种缓解两极分化的方法。出乎意料的是，我们发现在双重影响存在的情况下，常见的促进多样性的方法不起作用。而相关性优化方法，如 top- k k k推荐，可以防止两极分化，提高系统的多样性。

LLM-SR：长尾顺序推荐的大型语言模型增强

顺序推荐系统(SRS)旨在根据用户的历史交互来预测用户的后续选择，并在电子商务和社交媒体等不同领域得到了应用。然而，在现实世界的系统中，大多数用户只与少数项目交互，而大多数项目很少被

最低0.47元/天 解锁文章
NIPS 2024 | 稀疏图Transformer
小白学视觉
01-30 61
图Transformer在长程依赖建模方面表现出色，但通常需要二次的内存复杂度，即输入图中节点数量的平方，因此在处理大规模图时存在困难。稀疏注意力变体如Exphormer可以有所帮助，但可能需要对输入图进行高度的增强以获得良好的性能，并且不会尝试对已经稠密的输入图进行稀疏化。由于学习到的注意力机制往往只使用这些边中的一小部分，因此这些高度的连接可能是多余的。
【前沿 热点 顶会】NIPS 2024中目标检测有关的论文
A_Student10000的博客
10-02 2189
NIPS 2024中与目标检测有关的论文，包括3D目标检测、3D目标检测的可解释性、YOLOv10、长尾目标检测等话题。
NIPS2024论文《Visual instruction tuning》LLaVA视觉大模型技术介绍
qq_37261357的博客
04-03 2395
现在的大型语言模型（LLM）在语言对话与问答等任务中表现出优秀的性能。但是，对于多模态的输入（例如一张图片以及一个关于这张图片的问题），大型语言模型就难以应对，尤其是考察其推理能力时。
800 篇顶会论文纵览推荐系统的前沿进展(转载)
weiwei935707936的博客
06-06 1640
从早期基于用户或物品邻域的 UserKNN 和 ItemKNN 方法，到基于矩阵分解的 SVD++、BPRMF，再到近几年基于图神经网络的 NGCF、LightGCN 等模型，基于相似性进行推荐的思路时至今日仍然在新技术的推动下焕发着强大的生机。本文聚焦于推荐系统在学术研究方面的前沿进展，在之前整理的 Awesome-RSPapers 基础上扩展了近两年顶会中推荐系统相关的论文，涵盖 SIGIR、SIGKDD、RecSys、CIKM、AAAI、WSDM、WWW 的 20 次会议。欢迎大家关注和 Star~
推荐系统领域最新研究进展论文整理
fengdu78的博客
09-16 2001
本次论文集合的方向主要包括基于Transformer的引用推荐评估[1]、推荐系统中语言解释的公平性[2]、工业级广告推荐的机器学习工程[3]、基于强化学习的推荐与推理[4]、多行为推荐中的因果干预公平性[5]、可信医疗诊断推荐系统[8]、基于循环神经切线核的序列推荐[9]、极简图对比学习推荐算法[13]、在线小说推荐中的可重复购买建模[14]、基于解耦图对比学习的评论推荐[19]、可解释指导的对...
视频——推荐系统前沿
Drogal_dracarys的博客
06-10 65
Graph 数据很多都是以Graph的形式存在，使用Graph Neural Network 邻居节点的信息加起来。used based 用户对item的数据 用户数量大，找到相似的用户，用户的兴趣相对时间不容易变化。Item based 物品基本都是不变的，参数基本都是不变的，参数基本只需要计算一次。CNN 处理图片，跟向量不一样，是28×28这种，CNN最核心的模块就是卷积。50分钟视频结束，感觉不是很前沿的技术，更像是大模块的说明。用户矩阵，每一行可以用向量代表他的兴趣爱好。
【前沿 热点 顶会】NIPS/NeurIPS 2024中与医学图像有关的论文
A_Student10000的博客
10-02 1978
我们的方法结合了三种新的机制来利用医学时间序列的独特特征：跨通道修补来利用通道间相关性，多粒度嵌入来捕获不同尺度上的特征，以及两阶段(粒度内和粒度间)多粒度自关注来学习特征和粒度内和粒度之间的相关性。本文提出了混合早期融合注意学习网络(HEALNet)–一种灵活的多模式融合体系结构，它 a)保存特定于通道的结构信息， b)捕获共享潜在空间中的跨通道交互和结构信息， c)能够有效地处理训练和推理过程中丢失的通道， d)通过学习原始数据输入而不是不透明的嵌入来实现直观的模型检查。
【前沿 热点 顶会】NIPS/NeurIPS 2024中与Mamba/状态空间模型有关的论文
A_Student10000的博客
10-08 1417
最近的研究表明，变压器模型在强化学习(RL)中具有显著的优势，在强化学习中，决策问题被描述为序列生成。基于转换器的代理可以通过提供任务上下文，例如称为 In-Context RL 的多个轨迹，在在线环境中实现自我改进。然而，由于注意在变压器中的二次计算复杂性，当前的上下文 RL 方法随着任务范围的增加而遭受巨大的计算代价。相比之下，Mamba 模型以其处理长期依赖关系的高效能力而闻名，这为上下文中的 RL 提供了解决需要长期记忆的任务的机会。
【前沿 热点 顶会】NIPS/NeurIPS 2024中与强化学习有关的论文
A_Student10000的博客
10-03 2114
基于Transformer的轨迹优化方法在离线强化学习(Offline RL)中表现出了优异的性能，但由于其庞大的参数大小和有限的可扩展性，这在资源受限的顺序决策场景中尤其关键，例如在计算能力有限的机器人和无人机中。然而，尽管 MPS 在训练过程中和训练后都能确保安全，但由于备份策略的保守性和任务无关的性质，它经常阻碍任务的进展，提出了动态模型预测屏蔽(DMPS)，它在保持可证明的安全性的同时优化了强化学习目标。相比，我们的算法实现了严格的后悔–与无法处理先行信息的代理相比，线性增加了收集的奖励数量。
NeurIPS 2024重磅出炉，时间序列依旧最强王者！附最全NeurIPS 24时序论文总结
m0_73122726的博客
10-31 2819
本文提出了一种新的实例归一化方法——频率自适应归一化（FAN），通过傅里叶变换识别每个输入实例的主要频率成分，并显式建模这些频率成分在输入和输出之间的差异，从而有效处理非平稳时间序列中的动态趋势和季节性模式。FAN方法可以应用于任意预测模型，显著提高了预测性能。本文提出了一种新的模型Attraos，该模型结合了混沌理论，将现实世界的时间序列视为来自未知高维混沌动态系统的观测数据。通过非参数相空间重构嵌入和多尺度动态记忆单元，Attraos能够捕捉历史动态结构，并通过频率增强的局部演化策略进行预测。
《深度学习推荐系统》——第八章 深度学习推荐系统的前沿实践
Drogal_dracarys的博客
06-08 97
推荐系统领域是深度学习落地最充分，产⽣商业价值最⼤的应⽤领域之⼀。⼀些最前沿的研究成果⼤多来⾃业界巨头的实践。从 Facebook 2014 年提出的GBDT+LR 组合模型引领特征⼯程模型化的⽅向，到 2016 年微软提出 DeepCrossing 模型，⾕歌发布 Wide&Deep 模型架构，以及 YouTube 公开其深度学习推荐系统，业界迎来了深度学习推荐系统应⽤的浪潮。
推荐系统顶会RecSys2020最佳论文奖出炉
10-06
第14届推荐系统顶级会议ACM RecSys在9月22日到26日在线举行。最近官网大会公布了最佳长短文，包括来自腾讯PCG的多任务学习个性化模型获得最佳长论文。
【赠书】微软亚洲研究院作者联合出品，推荐系统前沿与实践！
hacker_long的专栏
07-29 515
‍‍推荐系统是互联网时代极具商业价值的人工智能应用之一，30 年来持续受到学术界和工业界的广泛关注。本次给大家推荐的书是微软亚洲研究院作者联合著作《推荐系统前沿与实践》。本书内容本书作者以一线研发人员的视角和经验，对推荐系统进行总结，尝试从原理与实践两个角度为读者剖析推荐系统。本书首先从原理上介绍各类经典推荐算法及前沿的深度学习推荐算法，然后分析推荐系统领域发展的前沿话题...
NIPS2021论文笔记：Adversarially Robust 3D Point Cloud Recognition Using Self-Supervisions
龙湖新师的博客
06-06 753
本文一作是来自密歇根大学的Sun Jiachen。本文提出将自监督学习（SSL）加入对抗训练的过程，可以有效提高模型的鲁棒性。本文的分析还发现DGCNN和Jigsaw Proxy任务可以提高神经网络的鲁棒性， 因为学习到了局部特征，从而限制了点级的扰动到模型最终输出的传播。......
深度学习推荐系统笔记之前沿实践
xuanshuang的博客
01-16 219
1.GBDT+LR 14年Facebook发表了广告推荐系统论文Practical Lessons from Predicting Clicks on Ads at Facebook，提出了经典的GBDT+LR模型。 系统输入：用户（User）、广告（Ad）、上下文（Context） GBDT构建特征工程和LR预测CTR两步采用相同的优化目标独立训练，GBDT和LR采用不同的更新频率，GBDT部分几天更新一次，LR部分准实时更新。实时数据流架构（online data joiner...
【研究趋势】Nips2024 多模态论文热点分析
最新发布
戴挽舟的博客
12-17 2169
2024年NeurIPS（神经信息处理系统大会）的论文趋势显示，多模态学习和大语言模型研究持续处于人工智能领域的前沿。在3000多篇录用论文中，多模态强相关论文超过200篇（约8%），而大语言模型与多模态大模型相关研究的总占比更是超过15%。当前研究热点主要集中在视觉识别、视觉理解、视觉对齐等基础能力建设，以及偏好对齐（幻觉处理）、高效模型、Agent和强化学习等应用导向的技术创新。这些研究方向的多样性和深度，充分体现了多模态学习在人工智能发展中的核心地位，也预示着该领域在未来仍将保持强劲的发展势头。
最新可信推荐系统综述, 6个维度71页463篇文献介绍其前沿进展
张小磊的博客
09-30 616
嘿，记得给“机器学习与推荐算法”添加星标作为最成功的人工智能驱动的应用之一，推荐系统通过在我们生活的许多方面提供个性化的建议，帮助人们以有效和高效的方式做出适当的决定，特别是针对各种在线服务，如电子商务平台和社交媒体网站。在过去的几十年里，推荐系统的快速发展通过创造经济价值、节省时间和精力以及促进社会公益，使人们大大受益。然而，最近的研究发现，数据驱动的推荐系统会给用户和社会带来严重的威胁，比如在...
2024年NIPS中6篇时序大模型研究汇总
m0_59164304的博客
11-01 1900
将大型语言模型重新定位为自回归时间序列预测器，把时间序列投射到语言标记的嵌入空间中，自动回归生成任意长度的未来预测。该预测器与任何仅解码器的大型语言模型都兼容，展现出回溯长度的灵活性，而且随着大型语言模型规模的增大，其可扩展性也得以体现。此外，把时间序列构建成提示形式，将预测的上下文拓展到回溯窗口之外，即情境内预测。通过引入嵌入大型语言模型的文本时间戳，AutoTimes 能够利用时间顺序信息来对齐多元时间序列。
NIPS2018四篇最佳论文出炉，陈天琦、华为公司等获奖
机器学习算法与Python学习
12-05 3724
源/专知人工智能领域顶会 NeurIPS 2018 于当地时间 12 月 2 日-8 日在加拿大蒙特利尔举行，2016 年有 5000 人注册参加该会议，2017 年参会...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值