解析：Are We Really Making Much Progress?A Worrying Analysis of Recent Neural Recommendation Approaches

最新推荐文章于 2022-07-27 20:55:25 发布
最新推荐文章于 2022-07-27 20:55:25 发布
阅读量1.8k 收藏 1
点赞数 1
分类专栏： 推荐系统 文章标签： 推荐系统 RecSys19
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/da_kao_la/article/details/101285685
版权

Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches

发表于

RecSys 2019, Best Paper

相关会议

KDD, SIGIR, WWW, RecSys

推荐系统评价指标

HR (hit rate), NDCG, PREC (precision), REC (recall)

baseline方法

TopPopular

非个性化，推荐全候选集最热门item

ItemKNN

  • 根据user-item评分矩阵计算item-item相似度
  • 根据item-item相似度计算填充评分矩阵中空白的位置
  • 根据填充完成的评分矩阵进行评分降序给出推荐列表

UserKNN

  • 根据user-item评分矩阵计算user-user相似度
  • 根据user-user相似度推荐与该user最相似的k个user购买/喜欢的item

ItemKNN-CF

与ItemKNN类似，只不过采用item特征而不是评分矩阵计算item-item相似性

I

最低0.47元/天 解锁文章
da_kao_la
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
RecSys2019 最佳论文 Are We Really Making Much Progress?
ChristineC_的博客
02-27 291
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： 论文结果的reproducibility 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...
推荐系统顶会 RecSys2019 最佳论文！《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Rec
weixin_45519842的博客
01-30 2155
推荐系统顶会 RecSys2019 最佳论文！《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches》 作者: 纪厚业 北京邮电大学 知乎专栏对公式支持较好, 见 https://zhuanlan.zhihu.com/c_11587882807441735...
论文《Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation ...》阅读
xingzhe123456789000的博客
09-02 589
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-
论文阅读：Are We Really Making Much Progress-A Worrying Analysis of Recent Neural Recommendatin Approache...
weixin_30398227的博客
09-15 182
该篇文章在推荐算法日益迅增的今天，给研究者敲了一记醒钟：在关注基于深度学习模型效果的同时，也要更加严谨的对待实验的baseline、dataset和metric。 code:https://github.com/MaurizioFD/RecSys2019_DeepLearning_Evaluation 转载于:https://www.cnblogs.com/hugh2006/p/1...
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 1705
论文阅读笔记：Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks
Webmin书：学会了停止烦恼和热爱UNIXThe Book of Webmin: Learned to Stop Worrying and Love UNIX
10-29
本书教您如何使用Webmin的独特功能，包括集成最流行的服务（Apache，BIND，Sendmail等）以及标准系统功能（网络配置，磁盘配置，用户和组等）。
Apache Hadoop 3.x state of the union and upgrade guidance
02-04
Many organizations leverage YARN in building their applications on top of Hadoop without repeatedly worrying about resource management, isolation, multitenancy issues, etc. The Hadoop Distributed ...
HOW-I-LEARNED-TO-STOP-WORRYING-AND-LOVE全文翻译.pdf
最新发布
08-25
ICLR2023 模型剪枝论文
How-I-Learned-to-Stop-Worrying-and-Love-the-STG
06-20
我如何学会停止担心和热爱 STG
卡尔曼滤波器解析
01-06
Poor Man's Explanation of Kalman Filtering: Or How I Stopped Worrying and Learned to Love Matrix Inversion的Paper版本。
2016-Collaborative Denoising Auto-Encoders for Top-N Recommender Systems.pdf
06-11
Most real-world recommender services measure their performance based on the top-N results shown to the end users. Thus, advances in top-N recommendation have far-ranging consequences in practical applications. In this paper, we present a novel method, called Collaborative Denoising Auto-Encoder (CDAE), for top-N recommendation that utilizes the idea of Denoising Auto-Encoders. We demonstrate that the proposed model is a generalization of several well-known collaborative filtering models but with more flexible components.
【KDD2021】Are we really making much progress? Revisiting, benchmarking, and refining HGNNs
qq_36291847的博客
10-12 2658
文章目录摘要 Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks 摘要
最新研究前线-深度推荐系统真的有效吗？
沈春旭的博客
07-29 1414
1. 背景 深度学习已经成为推荐系统领域的首选方法，但与此同时，已有一些论文指出了目前应用机器学习的研究中存在的问题，例如新模型结果的可复现性，或对比实验中基线的选择。这篇论文[Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches]发表在推荐系统顶级会议...
RecSys 2019最佳论文：基于深度学习的推荐系统是否真的优于传统经典方法？
Paper weekly
09-26 2477
作者丨纪厚业单位丨北京邮电大学博士生研究方向丨异质图神经网络，异质图表示学习和推荐系统本文发表在推荐系统顶会 RecSys 2019 并获得了 Best Paper。作者...
Deep Learning based Recommender System: A Survey and New Perspectives （2）
Learning from the mistakes
11-28 6218
感想 篇幅有限，这是接着上面的续篇，let's continue 4.2 基于Autoencoder的推荐系统 现存的两种把autoencoder运用到推荐系统上的方法为：（1）使用autoencoder在bottleneck层学习低维特征表达；（2）直接在重构层填充评分矩阵的空白。 4.2.1 仅仅依赖于Autoencoder的推荐 AutoRec AutoRec把用户部
[水文]生成模型2 - Variational Autoencoders
PeaceInMind的博客
07-22 1624
笔记和个人的理解，初学者，可能有重大错误，兼听则明
基于深度学习的推荐系统
智者之家
10-10 3834
基于深度学习的推荐系统 这是一个包含基于深度学习的文章、论文和推荐系统的知识库。 论文 Convolutional Matrix Factorization for Document Context-Aware Recommendation by Donghyun Kim, Chanyoung Park, Jinoh Oh, Seungyong Lee, Hwanjo Yu, RecSys 20...
VAE(Variational Autoencoder)的原理
deye1979的专栏
12-21 1975
Kingma, Diederik P., and Max Welling. "Auto-encoding variational bayes."arXiv preprint arXiv:1312.6114(2013). 论文的理论推导见：https://zhuanlan.zhihu.com/p/25401928 中文翻译为：变分自动编码器 转自：http://kvfrans.c...
最近三年四大顶会深度推荐系统上的18篇论文
小小挖掘机
09-11 1212
导读：本文是“深度推荐系统”专栏的第十篇文章，这个系列将介绍在深度学习的强力驱动下，给推荐系统工业界所带来的最前沿的变化。本文主要根据RecSys 2019中论文《Are...
Cannot read properties of null (reading 'indexOf')
04-04
This error occurs when you try to call the `indexOf()` method on a null value, which is not possible. To fix this error, you need to first check if the value is null before calling the `indexOf()` ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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