![](https://img-blog.csdnimg.cn/20210424131834297.jpg?x-oss-process=image/resize,m_fixed,h_224,w_224)
推荐系统
文章平均质量分 93
RS
懿朔
这个作者很懒,什么都没留下…
展开
-
Graph Neural Networks in Recommender Systems: A Survey
Graph Neural Networks in Recommender Systems: A Survey在推荐系统中主要的挑战是从用户的交互和可以得到的辅助信息中学到有效的用户/物品的表示;很多信息基本上都存在图结构(用户之间的社交关系和物品的知识图谱,用户和物品之间的交互可视为二部图,序列中物品的转移同样可被构建为图结构)且GNN在表示学习上具有优越性(图神经网络可以捕捉用户物品关系之间的高阶连接通过迭代的信息传播),所以在推荐系统中使用图神经网络的工作大量的涌现。有效的推荐系统:准确的捕捉用户的偏原创 2021-02-06 22:52:11 · 2449 阅读 · 0 评论 -
利用评论信息的推荐综述
利用评论信息的推荐综述 摘 要: 推荐系统因可以为人们提供个性化的服务而在日常生活中扮演者越来越重要的角色。传统的推荐系统往往利用用户或物品的评分信息,然而在现实场景中评分信息一般是比较稀疏的,这种数据稀疏问题会造成推荐性能的下降。因此,许多研究人员使用用户的评论辅助信息去弥补数据稀疏问题。在利用评论信息的诸多方法中主要分为两大类,一类是传统的推荐模型,另一类是基于深度学习的模型。本文将对使用深度学习的方法进行全面调研并对其中部分方法进行复现,最后将会讨论潜在的研究方向并对全文进行总结。关键词:原创 2020-09-25 21:29:26 · 897 阅读 · 2 评论 -
基于评论的推荐系统综述
基于评论的推荐系统综述摘要推荐系统因可以为人们提供个性化的推荐而在日常生活中扮演者越来越重要的角色。传统的推荐系统往往利用用户或物品的评分信息,然而在现实场景中这种评分信息一般是比较稀疏的,这种数据稀疏问题会造成推荐性能的下降。因此,许多研究人员尝试使用用户的评论辅助信息去学习用户、物品的表示进一步地弥补数据稀疏问题。现存的方法在利用评论信息构建用户、物品表示时往往存在两种类别的表示,分别是使用用户撰写的和写给物品的全部评论拼接为文档进行表示学习,另一种则是将每条评论单独的建模学习,本文也将以此作为分类原创 2020-09-25 21:22:22 · 4628 阅读 · 1 评论 -
推荐系统中BPR损失及对应的AUC计算
AUC:AUC是而分类模型中使用的主要离线评测指标,其不关注具体的得分,只关注排序结果。AUC指标有两种解释方法:1.“曲线下面积”2.排序能力 (若AUC=0.7,则可理解为:给定一个正样本和一个负样本,在70%的情况下模型对正样本的打分高于对负样本的打分,在这个解释下我们关心的只有正负样本之间分数的高低而具体的分值无关紧要)BPR损失:该损失考虑用户物品交互中的可观察项和不可观察项的相对顺序,BPR假定更能反映出用户偏好的可观察项的交互相较于那些不可观察项来说应该赋予高的预测值关键代码原创 2020-08-21 16:58:20 · 5768 阅读 · 2 评论 -
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 · 530 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 · 862 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 · 1461 阅读 · 0 评论