推荐系统
做人要有比数
Stay foolish, Stay hungry.
展开
-
论文阅读:RippleNet:让用户偏好在知识图谱中像水波纹一样传播
1.motivation2.method3.experiments原创 2019-11-09 11:25:19 · 934 阅读 · 0 评论 -
知识图谱经典方法 Knowledge Graph Embedding:从TransE,TransH到TransR
1.背景KG Embedding可以建立实体到实体的关联。原创 2019-11-05 21:16:44 · 6336 阅读 · 7 评论 -
论文阅读:Knowledge Graph Convolutional Networks for Recommender Systems
1. Motivation融合吸收side-information是缓解CF冷启动问题的一种解决方案,但是真实场景中的物品属性并不是isolated,它们之间彼此相连。简单的拼接或者非线性交互并不能很好的提取到这些属性之间的关联。为此,我们可以将物品和描述物品的属性放在一张知识图谱里面考虑,并且用GCN的方式吸收邻居的表达,并且随着迭代次数的增加,可以提取到用户“长距离”的兴趣,这在普通MLP...原创 2019-11-01 09:12:31 · 4036 阅读 · 0 评论 -
论文阅读:Collaborative Knowledge Base Embedding for Recommender Systems
1. Motivation稀疏性问题是推荐系统必须要面临的一个挑战,把side-information包含进基于MF的方法是一个很好的方式。但是物品的属性是一种结构化的数据,用简单的MLP并不能学习到它们之间的关联,从而无法全面的刻画一个物品。本文提出基于知识图谱的embedding来刻画物品的显式信息,这种是从图结构中学到的关联,能够比较充分地学习到物品的表达。本文关于物品的表达有三个部分,...原创 2019-10-26 12:16:21 · 3553 阅读 · 0 评论 -
论文阅读:Collaborative Deep Embedding Via Dual Networks
1. Motivation推荐系统想要提供精准的推荐,必须解决冷启动、用户兴趣稀疏性、观测带来的噪音和稀疏性这些问题。然而传统的MF无力应对这些问题,并且也无法对用户构建一个足够准确的表达。匹配的真正原因和从数据中观察到的信息存在很大的语义沟壑。从这个角度来讲,传统的方法是无法提取深度含义的(比如无法知道用户购买这本书到底是因为喜欢字里行间吐露出来的情感还是仅仅是因为句子)。还有就是冷启动问题...原创 2019-10-18 18:24:42 · 229 阅读 · 0 评论 -
论文阅读 KGAT: Knowledge Graph Attention Network for Recommendation
1. Motivation如何将side information和用户-物品二部图考虑在一起给用户提供准确、多样和可解释的推荐是非常有必要的。目前基于CF的方法并不能很好的对用户和物品的side information进行建模,这样就不可避免的面临数据稀疏性的问题。工业界的解决办法是使用监督学习模型,比如FM,NFM,wide&deep等方法去将用户物品的所有side informat...原创 2019-10-17 11:06:01 · 5880 阅读 · 1 评论 -
文献阅读 BPR: Bayesian Personalized Ranking from Implicit Feedback
论文介绍这篇论文被UAI 2009收录,这篇论文在推荐系统领域中非常经典,就算十年后的今天仍然能在不少论文中看到BPR的身影。简介和相关工作推荐系统的任务是给用户推荐一系列个性化的物品,之前人们从显式反馈中做推荐的主要方法为矩阵分解(MF)和适应性K最近邻(KNN)。但是这些方法都不是对物品排名做直接的优化。于是这篇文章提出了一种个性化排名的方法BPR-OPT,这种方法是基于贝叶斯理论的极大...原创 2018-12-06 20:18:24 · 3493 阅读 · 0 评论 -
推荐系统 Raking Loss Function
推荐系统领域的两个问题:Raking 和 Rating。对于排序问题来讲,最常见的就是Top-N推荐;评分预测问题包含很多种,这里就不做详细介绍。不同的问题会对应不同的损失函数,下面介绍几种推荐系统领域解决排序问题的几种损失函数。...原创 2019-03-07 21:51:35 · 8760 阅读 · 5 评论