![](https://img-blog.csdnimg.cn/20190927151101105.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
推荐系统——论文精读
文章平均质量分 95
.
海洋 之心
阿里云社区专家博主,图神经网络-大数据-推荐系统研究者,专注于计算机领域前沿技术的分享等人工智能算法研究工作
展开
-
【推荐系统】美团外卖推荐场景的深度位置交互网络DPIN的突破与畅想
今天介绍一篇美团在SIGIR 2021中稿的一篇paper,主要介绍在解决点击率预估中位置偏置(position-bias)方面的一些工作,一起来看一下。点击率(CTR)预测在在线广告和推荐系统中起着重要的作用。在实践中,对CTR模型的培训依赖于点击数据,而在较高的位置上,从本质上偏向于更高的位置,因为较高的位置在本质上有更高的CTR。现有的方法,如实际位置训练,具有固定位置推理和逆倾向加权训练,无位置推理,减轻了偏差问题。过往也有一些工作来解决位置偏置的问题。最常见的做法是将位置特征作为一个模型训练的一原创 2022-06-29 19:32:06 · 779 阅读 · 4 评论 -
【推荐系统论文精读系列】(十七)--Content-Aware Collaborative Music Recommendation Using Pre-trained Neural Networks
虽然内容是我们音乐收听喜好的基础,但音乐推荐的领先性能是通过基于协作过滤的方法实现的,这种方法利用了用户收听历史中的相似模式,而不是歌曲的音频内容。与此同时,协同过滤有一个众所周知的“冷启动”问题,也就是说,它无法处理没有人听过的新歌。将内容信息整合到协作过滤方法的努力在许多非音乐应用中都取得了成功,比如科学文章推荐。受相关工作的启发,我们将语义标签信息训练成一个神经网络作为内容模型,并将其作为协作过滤模型的先决条件。这样的系统仍然允许用户监听数据“为自己说话”。在百万歌曲数据集上进行了测试,结果表明该系统原创 2021-12-29 13:17:43 · 500 阅读 · 0 评论 -
【推荐系统论文精读系列】(十六)--Locally Connected Deep Learning Framework for Industrial-scale Recommender Systems
在这项工作中,我们提出了一个局部连接的深度学习框架推荐系统,该框架将DNN的模型复杂性降低了几个数量级。我们利用Wide& Deep模型的思想进一步扩展了框架。实验表明,该方法能在较短的运行时间内取得较好的效果。原创 2021-12-26 11:55:16 · 355 阅读 · 0 评论 -
【推荐系统论文精读系列】(十五)--Examples-Rules Guided Deep Neural Network for Makeup Recommendation
在本文中,我们考虑了一个全自动补妆推荐系统,并提出了一种新的例子-规则引导的深度神经网络方法。该框架由三个阶段组成。首先,将与化妆相关的面部特征进行结构化编码。其次,这些面部特征被输入到示例中——规则引导的深度神经推荐模型,该模型将Before-After图像和化妆师知识两两结合使用。最后,为了将推荐的妆型可视化,开发了一个自动妆型合成系统。为此,我们采集了一个新的Before-After面部化妆数据库,并手工标注,通过知识库系统对化妆师的知识进行建模。该框架的性能是通过广泛的实验分析来评估的。实验验证了人原创 2021-12-24 18:13:11 · 2194 阅读 · 0 评论 -
【推荐系统】YouTube推荐系统架构的十大工程问题
YouTube是世界上最大的创建、分享和发现视频内容的平台。YouTube的建议负责帮助超过10亿用户从不断增长的视频语料库中发现个性化内容。在本文中,我们将重点关注深度学习最近对YouTube视频推荐系统所产生的巨大影响。该图说明了在YouTube移动应用程序主页上的建议。从三个主要的角度来看,推荐YouTube上的视频是极具挑战性的原创 2021-12-19 16:26:21 · 2342 阅读 · 0 评论 -
【推荐系统论文精读系列】(十四)--Information Fusion-Based Deep Neural Attentive Matrix Factorization Recommendation
推荐系统的出现,有效地缓解了信息过载的问题。而传统的推荐系统,要么忽略用户和物品的丰富属性信息,如用户的人口统计特征、物品的内容特征等,面对稀疏性问题,要么采用全连接网络连接特征信息,忽略不同属性信息之间的交互。本文提出了基于信息融合的深度神经注意矩阵分解(ifdnamf)推荐模型,该模型引入了用户和物品的特征信息,并采用不同信息域之间的交叉积来学习交叉特征。此外,还利用注意机制来区分不同交叉特征对预测结果的重要性。此外,ifdnamf采用深度神经网络来学习用户与项目之间的高阶交互。原创 2021-12-18 09:33:24 · 2607 阅读 · 3 评论 -
【推荐系统论文精读系列】(十三)--Attentional Factorization Machines Learning the Weight of Feature Interactions
文章目录一、摘要二、介绍三、Attentional Factorization Machines3.1 模型3.1.1 Pair-wise Interaction Layer3.1.2 Attention-based Pooling Layer3.2 学习3.2.1 防止过拟合References论文名称:Attentional Factorization Machines Learning the Weight of Feature Interactions via Attention Networ原创 2021-11-28 21:22:40 · 1175 阅读 · 0 评论 -
【推荐系统论文精读系列】(十二)--Neural Factorization Machines for Sparse Predictive Analytics
文章目录一、摘要二、介绍三、特征交互建模3.1 因子分解机3.1.1 FM表达能力的限制3.2 深度神经网络3.2.1 DNN优化难点四、Neural Factorization Machines4.1 NFM模型4.1.1 Embedding layer4.1.2 Bi-Interaction-layer4.1.3 Hidden Layers4.1.4 Prediction Layer4.2 学习4.2.1 Dropout4.2.2 Batch NormalizationPreferences论文名原创 2021-11-27 17:28:35 · 1435 阅读 · 3 评论 -
【推荐系统论文精读系列】(十一)--DeepFM A Factorization-Machine based Neural Network for CTR Prediction
文章目录一、摘要二、介绍三、我们的方法3.1 DeepFMFM ComponentDeep Component3.2 与其他神经网络的关系FNNPNNWide&Deep总结References论文名称:DeepFM:A Factorization-Machine based Neural Network for CTR Prediction论文地址:DeepFM⚡本系列历史文章⚡【推荐系统论文精读系列】(一)–Amazon.com Recommendations【推荐系统论文精读系列原创 2021-11-25 17:47:29 · 1104 阅读 · 2 评论 -
【推荐系统论文精读系列】(九)--Product-based Neural Networks for User Response Prediction
文章目录Product-based Neural Networks for User Response Prediction一、摘要二、介绍三、相关工作四、深度学习用于CTR评估ReferencesProduct-based Neural Networks for User Response Prediction一、摘要预测用户的反应,如点击和转换,是非常重要的,并已发现它在许多网络应用程序中使用,包括推荐系统、网络搜索和在线广告。这些应用程序中的数据大多是分类的,包含多个字段;典型的表示是通过一个热原创 2021-11-23 13:54:38 · 1104 阅读 · 0 评论 -
【推荐系统论文精读系列】(十)--Wide&Deep Learning for Recommender Systems
文章目录Wide & Deep Learning for Recommender Systems一、摘要二、介绍三、推荐系统综述四、Wide&Deep学习4.1 Wide部分4.2 Deep部分4.3 联合训练 Wide&Deep ModelPreferenceWide & Deep Learning for Recommender Systems一、摘要具有非线性特征转化能力的广义线性模型被广泛用于大规模的分类和回归问题,对于那些输入数据是极度稀疏的情况下。通过使用交原创 2021-11-22 20:37:00 · 1234 阅读 · 0 评论 -
【推荐系统论文精读系列】(一)--Amazon.com Recommendations
如果需要完整代码可以关注下方公众号,后台回复“代码”即可获取,阿光期待着您的光临~论文地址: Amazon.com Recommendations文章目录AbstractRecommendation AlgorithmsTraditional Collaborative FilteringCluster ModelsSearch-Based MethodsItem-to-Item Collaborative FilteringHow It WorksScalability:A Comparison.原创 2021-11-10 12:24:12 · 1084 阅读 · 0 评论 -
【推荐系统论文精读系列】(二)--Factorization Machines
如果需要完整代码可以关注下方公众号,后台回复“代码”即可获取,阿光期待着您的光临~文章目录Factorization MachinesAbstractIntroductionPrediction Under SparsityFactorization Machines(FM)A. Factorization Machine ModelB. Factorization Machines as PredictorsC. Learning Factorization MachinesD. d-way Fa.原创 2021-11-09 12:16:52 · 1140 阅读 · 0 评论 -
【推荐系统论文精读系列】(三)--Matrix Factorization Techniques For Recommender Systems
如果需要完整代码可以关注下方公众号,后台回复“代码”即可获取,阿光期待着您的光临~文章目录Recommender System StrategiesMatrix Factorization MethodsA Basic Matrix Factorization ModelLearning AlgorithmsStochastic gradient descentAlternating least squaresAdding BiasesAdditional Input SourcesTemporal.原创 2021-11-06 21:30:54 · 890 阅读 · 1 评论 -
【推荐系统论文精读系列】(四)--Practical Lessons from Predicting Clicks on Ads at Facebook
文章目录Practical Lessons from Predicting Clicks on Ads at Facebook一、摘要二、简介三、实验设置3.1 评估指标四、预测模型结构4.1 决策树特征变换4.2 数据新鲜度4.3 在线线性分类器五、在线数据连接器六、包含内存和延迟6.1 提升树的数目6.2 增加特征的重要性6.3 历史特征七、处理海量数据7.1 Uniform subsampling7.2 Negative down sampling八、总结Practical Lessons from原创 2021-11-13 10:41:42 · 1028 阅读 · 1 评论 -
【推荐系统论文精读系列】(五)--Neural Collaborative Filtering
文章目录Neural Collaborative Filtering一、摘要二、介绍三、准备知识3.1 从隐式数据中进行学习3.2 矩阵分解四、神经协同过滤4.1 总体框架4.1.1 学习NCF4.2 广义矩阵分解(GMF)4.3 多层感知机(MLP)4.4 GMF与MLP的融合4.4.1 预训练REFERENCESNeural Collaborative Filtering一、摘要近年来,深度神经网络在语音识别、计算机视觉和自然语言处理方面取得了巨大的成功。然而,深度神经网络在推荐系统上的探索相对较原创 2021-11-14 18:14:29 · 1518 阅读 · 0 评论 -
【推荐系统论文精读系列】(六)--Field-aware Factorization Machines for CTR Prediction
文章目录Field-aware Factorization Machines for CTR Prediction一、摘要二、介绍三、POLY2 和 FM四、FFM4.1 解决优化问题4.2 并行化内存系统五、实验5.1 训练设置5.2 参数的影响5.3 提前停止训练5.4 并行加速REFERENCESField-aware Factorization Machines for CTR Prediction一、摘要点击率预测发挥了很大的作用在计算广告领域。针对这个任务,POLY2和FMs被广泛的应用。原创 2021-11-16 12:38:35 · 864 阅读 · 2 评论 -
【推荐系统论文精读系列】(七)--AutoRec Autoencoders Meet Collaborative Filtering
文章目录AutoRec: Autoencoders Meet Collaborative Filtering一、摘要二、介绍三、AUTOREC模型四、实验评估ReferencesAutoRec: Autoencoders Meet Collaborative Filtering一、摘要本文提出了AutoRec,一个用于协同过滤的新型自动编码器框架。根据经验,AutoRec对于模型的影响和训练效率已经超过了现在基于协同过滤技术的大多数先进模型。二、介绍协同过滤(CF)模型的目的是利用用户对物品的偏好原创 2021-11-16 19:35:06 · 1111 阅读 · 0 评论 -
【推荐系统论文精读系列】(八)--Deep Crossing:Web-Scale Modeling without Manually Crafted Combinatorial Features
文章目录Deep Crossing:Web-Scale Modeling without Manually Crafted Combinatorial Features一、摘要二、介绍三、相关工作四、搜索广告五、特征表示5.1 独立特征5.2 组合特征六、模型架构6.1 Embedding层6.2 Stacking层6.3 Residual层6.4 Score层ReferencesDeep Crossing:Web-Scale Modeling without Manually Crafted Combi原创 2021-11-18 20:54:30 · 873 阅读 · 0 评论