RecSys2019 最佳论文 Are We Really Making Much Progress?

最新推荐文章于 2024-03-01 00:19:22 发布
最新推荐文章于 2024-03-01 00:19:22 发布
阅读量302 收藏 1
点赞数
分类专栏： Recommendation System
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/ChristineC_/article/details/104427305
版权
本文分析了RecSys2019最佳论文《Are We Really Making Much Progress?》，作者研究了18篇2018年的深度学习推荐系统论文，发现其中6篇的模型效果不如同类简单模型。问题包括可重复性差、基准模型选择不当、数据集和评估标准不统一。作者提出了改进方法，并对比了TopPopular、ItemKNN等基线模型，对多篇论文进行了深入探讨。
摘要由CSDN通过智能技术生成

时间：2019.08

作者：Maurizio Ferrari Dacrema, Paolo Cremonesi, Dietmar Jannach

 

Abstract：

文中提出两个推荐系统论文的问题：

  1. 论文结果的reproducibility
  2. baseline model的选择

作者挑选了18篇2018年发表的深度学习方向的论文（top-n recommendation方向），其中7篇可以被重现，6篇的模型效果不如简单模型。

作者认为出现这些问题的原因有：

  1. baseline没有被fine-tune
  2. 深度学习模型只跟深度学习模型对比，baseline选错了
  3. 数据集、评价指标、数据预处理不统一

 

Evaluation Methodology

使用原始paper里相同的数据集、算法应用、评估方法

Baseline

  1. TopPopular：按照评分数量作热门推荐
  2. ItemKNN：计算物品间的cosine similarity
  3. UserKNN：计算用户间的cosine similarity
  4. ItemKNN-CBF：计算相似度使用物品的特征向量
  5. ItemKNN-CFCBF：计算相似度时，concat item i的评分向量和特征向量
  6. P^3\alpha
最低0.47元/天 解锁文章
ChristineC_
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
RecSys2021最佳论文奖出炉（附教程下载）
张小磊的博客
10-07 507
嘿，记得给“机器学习与推荐算法”添加星标此前我们整理了RecSys2021中推荐系统相关的论文，具体内容可参考RecSys2021推荐系统论文集锦。作为推荐系统领域独有的顶会，该会议不同于...
Re10：读论文 Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous gr
诸神缄默不语的博客
07-27 1783
论文阅读笔记：Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks
【KDD2021】Are we really making much progress? Revisiting, benchmarking, and refining HGNNs
qq_36291847的博客
10-12 2729
文章目录摘要 Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks 摘要
Causal Embeddings for Recommendation 论文笔记
hl_220284的博客
09-17 1150
Causal Embeddings for Recommendation 论文笔记 有什么问题欢迎讨论呀！ 论文标题：Causal embeddings for recommendation 目的 用过去的 user-item 矩阵预测用户未来的行为会造成偏差，本文是为了消除这种偏差。 方法 构建两个数据集 ScS_cSc​ 和 StS_tSt​，其中 StS_tSt​ 数据集的分布（给定每个用户所有item暴露给用户的概率分布）和测试集的分布是一致的。采用领域自适应的算法进行去偏。 结果 MSE lift
论文《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation ...》阅读
xingzhe123456789000的博客
09-02 608
论文《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches》阅读论文概况论文亮点1. Introduction2. Research Method2.1 收集可复现论文2.2 评估方法3. Validation against Baselines3.1 CMN3.2 MCRec3.3 CVAE3.4 CDL3.5 NCF3.6 SpectralCF3.7 Mult-
【机器学习：Recommendation System】推荐系统
最新发布
欢迎来到最优秀的博客
03-01 1398
推荐系统是一种人工智能或人工智能算法，通常与机器学习相关，它使用大数据向消费者建议或推荐其他产品。这些可以基于各种标准，包括过去的购买、搜索历史、人口统计信息和其他因素。推荐系统非常有用，因为它们可以帮助用户发现他们自己可能找不到的产品和服务。推荐系统经过训练，可以使用收集的有关人员和产品的交互数据来了解人员和产品的偏好、先前的决策以及特征。由于推荐系统能够在高度个性化的水平上预测消费者的兴趣和愿望，因此受到内容和产品提供商的喜爱。
推荐系统顶会RecSys2020最佳论文奖出炉
10-06
总体来看，ACM RecSys 2020最佳论文奖的揭晓，揭示了推荐系统研究的最新趋势：多任务学习、个性化建模、深度学习的应用以及持续优化推荐质量的努力。这些研究成果不仅在理论层面具有重要意义，也为实际业务中的推荐...
kNNBandit:RecSys 2019论文“用于交互式推荐的简单多臂最近邻居强盗”中报告的用于实验的软件
05-23
第13届ACM推荐系统会议（RecSys 2019）。 丹麦哥本哈根，2019年9月。作者马德里自治大学信息检索小组哈维尔·桑兹·克鲁萨多（ ） 帕勃罗·（Pablo Castells）（ ）软体说明该存储库包含所有必需的类，以重现本文中...
recsys 推荐系统大会 2016 论文集 共105篇
01-25
recsys 2016论文集，包含全部的105篇文章
multitask0.2.0
10-17
multitask0.2.0 文件包，ReportLab_2_1；reportlab-3.3.0
Recsys2018 总结 （推荐系统最新技术、应用和方向）32篇论文解读
02-15
对10月2-7号在加拿大渥太华举办的 Recsys 的32篇论文做了整理和归纳，总结出了目前推荐系统最新技术应用和方向。并对每一篇文章做了粗略的讲解。
music-recommendation-system:一个简单的音乐推荐系统
03-11
音乐推荐系统 这是一种无监督的学习系统，可以分析多个用户的播放列表并为用户的特定播放列表提供建议。 该模型是基于用户对用户的推荐系统。 该项目考虑的数据集是音乐分析数据集FMA，并且下面的链接中提供了数据集文件的链接。 链接到数据集 设置项目 在项目文件夹中运行setup.py文件。 它下载必要的数据集文件。 可能需要一段时间，请不要担心:)。 如果要获取音乐文件，可以从上面的链接下载它们，也可以转到此搜索所需的歌曲。 要求 建议使用至少具有8GB RAM且Intel i5核心处理器或更高处理器的系统来运行该项目。 数据集描述 所考虑的数据集是一个音乐分析数据集，它不仅包含艺术家姓名，歌曲名称等常用属性，而且还考虑并分析了音乐属性（例如回声，每分钟节拍）以提供建议。 解决问题 数据集由四个csv文件组成，每个文件都描述歌曲的特征，例如元数据，特征等。每个文件均被单独清理，并基于公共密钥（
RecSys会议论文集合(2007-2016)—会议论文及视频资源下载
05-13
根据给定的信息，本文将对“RecSys会议论文集合（2007-2016）—会议论文及视频资源下载”这一主题进行详细的知识点解析。RecSys是推荐系统领域的重要国际会议之一，每年都会吸引众多研究者、工程师以及相关领域的...
rosetta_recsys2019:RosettaAI团队应对2019年ACM Recsys挑战赛的第四名
04-26
2019 ACM RecSys挑战赛的第四名解决方案 团队成员 功祥（Steeve），黄（Rosetta.ai） ; 傅一夫李一婷； 李宗翰陈耀春（国立台湾大学） ; Lee Yi-hui （德克萨斯大学，达拉斯） ； 林守德（国立台湾大学） 联络人： ...
推荐系统摘要
weixin_44023658的博客
10-18 1034
本次是参加datawhale的打卡活动，大家有任何疑问欢迎一起讨论！ 之前也有写过一篇推荐系统概述文章，大家可以康康：个性化推荐算法（推荐系统）概要 传统推荐系统及深度学习推荐系统的演化关系图(图来自《深度学习推荐系统》) 传统推荐系统 深度学习推荐系统 核心内容： 协同过滤算法: 包括基于用户的协同过滤(UserCF)和基于商品的协同过滤(ItemCF)，这是入门推荐系统的人必看的内容，因为这些算法可以让初学者更加容易的理解推荐算法的思想。 矩阵分解算法: 矩阵分解算法通过引入了隐向量的
Causal Embeddings for Recommendation》笔记
永不理解_fdu的博客
03-17 3565
Another url：https://bulihanjie.github.io/2019/02/28/Causal-Embeddings-for-Recommendation笔记/#more 摘要 应用中期望使用推荐策略来推荐最适合的结果来改变用户行为，最大化推荐收益，如极大化点击率等。但由于推荐系统改变了用户的行为方式，使得用户的日志行为和原本的用户自然行为有了比较大的差异。简单的在用户日志上...
推荐系统(Recommendation system)
gls_nuaa的博客
02-16 2415
本篇围绕着如下几个问题展开，希望对推荐系统有个简单的认识：   1.什么是推荐系统？   2.为什么要推荐系统？   3.推荐系统的主要分类   4.推荐系统的体系结构   5.推荐系统的应用   6.知名研究团队 1.什么是推荐系统？   推荐系统是利用 电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。我们现在的都是个性化推荐系统 来源：百度百科   推荐系统的本质：在用户需求不明确的情况下，从海量信息中为用户寻找其感兴趣的信息的技术手段。 2.为什么
推荐系统 Recommendation system 初识 与 相关博客
m0_61899108的博客
10-21 1550
常见方法有：1） 规则引擎：直接在重排结果上，对于命中属性规则的item，加入一定的分数，使得最后可以透出，增加其流量。精排是特征的艺术，虽然特征工程远远没有深度模型那么fancy，但在实际业务中，基于特征工程优化，比基于模型更稳定可靠，且效果往往不比优化模型低。曝光过滤有时候也会放在重排中，但本质上完全可以在召回链路，对已充分曝光的短视频，或者刚刚已经购买过的商品，进行过滤，从而防止用户抵触。重排的技术点也十分多，总结下来，个人认为重排主要是为了解决三大方面的问题：用户体验、算法效率、流量调控。
Recsys2018论文精华：涵盖5大创新应用与技术概述
在2018年的Recsys（推荐系统）会议上，共展示了32篇长篇论文，这些论文涵盖了广泛的理论与应用领域，旨在提升推荐系统的效能和用户体验。以下是对其中几个关键应用场景的深入解读： 1. **英雄推荐系统**：在多人...
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