[6] Exploring Recommendations Under User-Controlled Data Filtering
Hongyi Wen et al.
Cornell University
http://delivery.acm.org/10.1145/3250000/3240399/p72-wen.pdf
这篇文章,探索了时间敏感的用户数据对推荐性能的影响,即只利用最近若干天的数据。
这篇文章的训练测试机制示例如下
各方法效果对比如下
其中PMF为Probabilistic Matrix Factorization,BPR为Bayesian Personalized Ranking,U-CML为Collaborative Metric Learning with Uniform Weights
P:the percentage of users choosing to filter
N:the time span of the data shared by each user
不同参数影响如下
代码地址
https://github.com/whongyi/datafilter-recsys
该代码主要利用Python实现
我是分割线
[7] Word2vec applied to Recommendation: Hyperparameters Matter
Hugo Caselles-Dupré, Florian Lesaint, Jimena Royo-Letelier
Flowers Laboratory, Deezer SA
http://delivery.acm.org/10.1145/3250000/3240377/p352-caselles_dupre.pdf
这篇文章基于网格搜索探讨了推荐系统中Word2vec中各个超参数的边际效应。作者发现负采样分布,迭代次数,次采样参数,窗口大小等可以大幅度提升模型效果。另外,他们发现nlp和推荐系统中word2vec的最优超参数具有显著差异。
各个数据集中的商品分布如下
不同超参数最优策略的结果如下
最优性能与负采样的关系示例如下
代码地址
https://github.com/deezer/w2v_reco_hyperparameters_matter
该代码利用Python实现
我是分割线
[8] StreamingRec: A Framework for Benchmarking Stream-based News Recommenders
Michael Jugovac, Dietmar Jannach, Mozhgan Karimi
TU Dortmund, Alpen-Adria-Universität, University of Antwerp
http://delivery.acm.org/10.1145/3250000/3240384/p269-jugovac.pdf
这篇文章提出了StreamingRec,它是一种评价流式新闻推荐的框架。该框架已经开源,这种框架的评估协议基于重播机制,在该框架中,新事件发生时,可以推荐的新文章产生时,能够实时更新模型。很多基于会话的基准推荐算法都可以看做StreamingRec的特殊情形。
数据集统计信息如下
各算法效果对比如下
代码地址
https://github.com/mjugo/StreamingRec
我是分割线
[9] Case Recommender: A Flexible and Extensible Python Framework for Recommender Systems
Arthur da Costa et al.
University of São Paulo, University of Newcastle
http://delivery.acm.org/10.1145/3250000/3241611/p494-da_costa.pdf
这篇文章开源了基于Python的推荐框架,Case Recommender,其中的组件丰富,基于这个框架,开发者可以构建个性化推荐系统。该框架实现了知名的效果比较好的评分预测算法和商品推荐算法。该框架可以融入聚类算法和集成算法。
多种工具包对比如下
下面是多种推荐算法的分类
代码地址
https://github.com/caserec2018/caserecommender
该代码利用Python实现
我是分割线
[10] Modularizing Deep Neural Network-Inspired Recommendation Algorithms
Longqi Yang et al.
Cornell University
http://delivery.acm.org/10.1145/3250000/3241618/p533-yang.pdf
该教程综述了基于深度神经网络的推荐算法的最新进展,并且展示了如何将这些算法扩展并且应用到多种应用场景中。OpenRec框架支持个性化,并且将基于神经网络的推荐算法模块化。更多资料参见:http://openrec.ai/
代码地址
https://github.com/ylongqi/openrec
该代码利用Python实现
我是分割线
为方便大家交流,已开通以下几个群
自然语言处理交流群
计算机视觉交流群
推荐系统交流群
广告算法交流群
自动驾驶交流群
语音识别交流群
其他推荐的群(暂未开通)
欢迎感兴趣的朋友加入,入群方式:
关注公众号之后在后台发送"入群"或"加群",小编会把您拉进相应的群,谢谢
我是分割线
可以通过以下方式关注
(长按->识别图中二维码->关注)
本公众号(微信号:mlanddlanddm)专注于机器学习(主要包含但不限于深度学习)相关知识分享,其中涉及自然语言处理、推荐系统以及图像处理前沿论文等,欢迎大家关注交流
我是分割线
您可能感兴趣