论文阅读
1
懿朔
这个作者很懒,什么都没留下…
展开
-
Neural Graph Collaborative Filtering
Neural Graph Collaborative FilteringCode: https://github.com/xiangwang1223/neural_graph_collaborative_filtering摘要:在推荐中学习用户/物品的向量表示是重要的,早期的矩阵分解和近期的深度学习方法通过映射一些预定义的特征(id/属性信息)得到对应的向量表示,这样就没有将用户物品的交互信息(文章称之为协同信号)考虑在内,就会导致可能不能充分地捕捉协同过滤效果,因此作者就提出将用户-物品的交互信息即原创 2020-08-20 18:22:44 · 535 阅读 · 0 评论 -
Co-Attentive Multi-Task Learning for Explainable Recommendation
提供推荐的解释可增强用户的信任和可解释性,本篇文章提出互注意力可解释性推荐模型,利用推荐和解释任务之间的相关性提升两者的性能,具体作者仿照人类处理信息的方式涉及了编码选择解码三段式结构,在选择阶段使用的层级的互注意力选择器有效的建模两个任务的跨知识迁移,实验证明模型不仅提升了推荐预测的准确率同时可以生成流畅有用个性化的推荐解释原创 2020-08-18 15:23:37 · 864 阅读 · 0 评论 -
序列推荐/点击率预测三篇论文
记阅读的三篇序列推荐/点击率预测论文:Long and Short-Term Recommendations with Recurrent Neural NetworksDeep Interest Evolution Network for Click-Through Rate PredictionAdaptive User Modeling with Long and Short-Term Preferences for Personalized Recommendation使用用户的序.原创 2020-07-30 17:53:57 · 1467 阅读 · 0 评论 -
WWW2017 Neural Collaborative Filtering
Neural Collaborative Filtering主要思想:作者使用神经网络解决推荐中的协同过滤问题,使用多层感知机学习用户-物品的交互函数,使用神经网络代替矩阵分解中的点乘文章的主要贡献:1.使用神经网络结构建模用户物品的潜在特征,并基于神经网络结构提出了一个通用的框架NCF2.证明MF是NCF的一种特殊化形式,NCF使用多层感知机建模高层次的非线性特征3.在两个真实的数据集上论证了NCF的有效性模型结果结构:通用框架:输入层是用户物品的one-hot表示,embeddin原创 2020-07-27 21:23:08 · 385 阅读 · 0 评论