推荐系统炼丹笔记：RecSys2020-SSE-PT解锁序列数据挖掘新姿势

最新推荐文章于 2022-03-21 00:56:00 发布
最新推荐文章于 2022-03-21 00:56:00 发布
阅读量943 收藏 1
点赞数 1
分类专栏： 炼丹笔记 文章标签： 数据挖掘 机器学习 深度学习 算法 人工智能
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/m0_52122378/article/details/110383691
版权
本文介绍了SSE-PT，一种针对序列推荐的个性化Transformer模型，通过随机共享嵌入技术解决过拟合问题，提升推荐效果。在多个数据集上，SSE-PT优于现有方案，尤其是在长序列处理上表现出色。实验表明，SSE概率、采样概率和Attention Block数量的选择对模型性能有显著影响。
摘要由CSDN通过智能技术生成 
作  者：一元   
公众号：炼丹笔记

背景

现在诸多的推荐算法在处理时间信息上, 除了在自然语言常用的RNN,CNN等模型, 就是基于Transformer的模型,但是和SASRec类似, 效果不错,但是缺少个性化,而且没有加入基于个性化的用户embedding。为了克服这种问题,本文提出来一种个性化的Transformer(SSE-PT),该方法相较于之前的方案提升了5%。

方案

模型框架

v2-7602084959ea34be6d4525d59943d5a4_b.jpg

序列化推荐

v2-6b3db2b6eb89824dcd0c34a547d4d007_b.jpg

个性化Transformer架构

SSE-PT使用随机共享embedding技术,

1. Embedding 层

最低0.47元/天 解锁文章
炼丹笔记
关注
专栏目录
【序列推荐】RecSys2020|SSE-PT---个性化的Transformer推荐模型
Blank_Space
12-04 1018
前言文章发表在2020年RecSys会议，提出了一个SSE-PT（随机共享Embedding的个性化Transformer）模型。论文将SASRec作为靶子，在各个方面（个性化、精度、收...
[论文笔记] SSE-PT: Sequential Recommendation Via Personalized Transformed
THOOOR的博客
08-19 703
原文地址 SSE-PT: Sequential Recommendation Via Personalized Transformer SSE-PT/SSE-PT (github.com) 时间信息对于推荐问题至关重要，因为用户偏好在现实世界中自然是动态的。 深度学习的最新进展，尤其是除了在自然语言处理中广泛使用的 RNN 和 CNN 之外，还发现了各种注意力机制和更新的架构，可以更好地利用每个用户参与的物品的时间顺序。 特别是 SASRec 模型，受到自然语言处理中流行的 Transformer 模型.
加州大学提出个性化Transformer序列推荐模型SSE-PT(已开源)
hestendelin的专栏
12-21 1113
SSE-PT: Sequential Recommendation Via Personalized TransformerLiwei Wu, Shuqing Li,Cho-Jui H...
2020-RecSys-SSE-PT: Sequential Recommendation Via Personalized Transformer
Dive的博客
03-21 474
个人认为本文的思想很好，要将个性化引入到Transformer中*（NLP的各种技术在我看来其目的是明确的，一句话是什么意思就是什么意思，所以只考虑这一句话中的word即可，但是对于RS来说，同样item id的序列对于不同的user id也是不一样的，不能单纯的以 item id序列来表示一个user）*；本文主要的点有： 序列中 user emb和item emb进行拼接的表示 如何使用SSE 1 INTRODUCTION SASRec使用标准的Transformer，本质上是一个非个性化的模型。S
【机器学习与数据挖掘】浅谈指标SSE,MSE,RMSE,R-square
qq_43351886的博客
12-05 4841
下面介绍这些统计参数 基于预测值(y)和原始值(y)之间的误差参数：SSE，MSE，RMSE （1）SSE(和方差)：The sum of squares due to error 描述拟合数据和原始数据对应点的误差的平方和 SSE越接近于0，说明模型选择和原数据拟合更好，数据预测也越成功。 （2）MSE(均方差，标准差)：Root mean squared error 描述预测数据和原始数据对应点误差的平方和的均值，也就是SSE/n。 （3）RMSE(均方根)：Root mean squared er
book-recsys:毕业设计-书籍推荐系统
03-11
在这个开源项目中，“book-recsys-master”很可能包含了一系列的源代码、数据集、配置文件以及项目文档，这些都是构建一个书籍推荐系统所必需的组成部分。以下将详细解析这个系统的可能构建过程及其涉及的关键知识点...
RecSys-Dev-Practice:推荐系统开发实战-以notebook形式展现
03-11
本项目“RecSys-Dev-Practice”是一个推荐系统开发的实战教程，采用交互式的Jupyter Notebook形式进行展示，方便学习者逐步理解和实现推荐算法。 在《推荐系统开发实战》一书中，作者高阳团队深入浅出地介绍了推荐...
RecSys2020推荐系统论文集锦
abcdefg90876的博客
09-28 1550
第14届推荐人自己的年会RecSys已在9月22日到26日在线上举行。大会围绕着推荐系统相关问题进行了3场KeyNotes，5场Tutorials，接收了41篇长文，26篇短文。通过对主...
【机器学习】那些决定模型上限的操作
fengdu78的博客
10-27 646
作者：炼丹笔记在实践中，特征工程目前依然是建模过程中最为核心的一块，也是提升最快最简单的部分；有些公司的搜索推荐团队只使用了embedding相关的信息，并希望通过embeddin...
recsys:推荐系统实战
03-11
记录系统 1.需求 在这里专家下主要要是采用Tensorflow2.0的api进行建立模型 TensorFlow2.0，Keras，Python3.6，NumPy，sk-learn，Pandas 2.数据集 2.1 Criteo 该数据集包含约4500万条记录。 有13个采用整数值的功能（主要是计数功能）和26个分类功能。 该数据集可从获得。 在这里我截取一部分数据进行模型训练data = .. / data / Criteo / train.txt 2.2 Seguro安全驱动程序 在火车和测试数据中，属于类似分组的特征会在特征名称中进行标记（例如，ind，reg，car，calc）。 另外，功能名称包括后缀bin（表示二进制功能）和cat（类别）。 没有这些名称的特征是连续的或有序的。 值-1表示该特征从观察中丢失。 目标列表示是否已为该保单持有人提出索赔。 该数据集位于 3.推荐
推荐系统顶会RecSys2020最佳论文奖出炉
10-06
第14届推荐系统顶级会议ACM RecSys在9月22日到26日在线举行。最近官网大会公布了最佳长短文，包括来自腾讯PCG的多任务学习个性化模型获得最佳长论文。
围观RecSys2020 | 推荐系统顶会说了啥？(附论文打包下载)
abcdefg90876的博客
10-06 1406
RecSys2020主页：RecSys – ACM Recommender Systems(https://recsys.acm.org/)小编整理了RecSys2020的文章，其中包括...
序列推荐模型梳理（Sequential Recommendation）
热门推荐
paper_reader的博客
10-28 1万+
阅读更多，欢迎关注公众号：论文收割机（paper_reader） 因为排版问题，很多图片和公式无法直接显示，欢迎关注我们的公众号点击目录来阅读原文。 序列推荐（sequential recommendation）在推荐系统里是非常重要的任务，它通过对用户（user）行为序列，比如购买商品（item）的序列（sequence）来建模，学到user 兴趣的变化，从而能够对用户下一个行为进行预测。序列推荐的模型，随着整个CS research领域的发展，也是一直在不断变化。从最开始的Markov chain，到
RecSys2020推荐系统最新论文
weixin_45459911的博客
10-29 843
1.Learning to Collaborate in Multi-Module Recommendation via Multi-Agent Reinforcement Learning without Communication 2.Making Neural Networks Interpretable with Attribution: Application to Implicit Signals Prediction 3.MultiRec: A Multi-Relational Approac
RecSys 2017总结
fourierr的博客
04-12 2200
版权归作者所有，任何形式转载请联系作者。作者：咚咚咚diduan（来自豆瓣）来源：https://www.douban.com/note/662840537/今年的ACM RecSys在美丽的科莫湖畔举办，本文将从会议总览，推荐系统技术与发展趋势，个人观感三个方面介绍本次大会。会议总览今年的RecSys接收26篇long paper（接收率：20.8%），20篇short paper（接收率：16...
深入探寻《Self-Attentive Sequential Recommendation》ICDM‘18
Marcus-Bao的个人主页
07-11 4546
本文我们主要致力于解决以下几个问题： 本文的motivation/contribution是什么？ 实验细节以及实验效果如何？ 具体的应用场景？ 本文存在什么不足？ 在本文的最后，我将针对以上问题简单谈谈自己的拙见，欢迎大家一起在评论区留言谈论。 言归正传，带着上面四个问题，让我们一起探寻《Self-Attentive Sequential Recommendation》，SASRec背后的秘密！ 谈谈序列推荐 由于自己是第一次给大家分享序列推荐的文章，所以本着对我自己的读者负责的态度，还是要花点篇.
【paper笔记】Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding
qq_41101762的博客
07-16 1252
科研生活开始了！ 精读的第一篇paper 好久没有这么仔细地读一篇paper，以前读都只是知道大概意思就好了，很多细节选择忽略，因为很多时候论文只是需要知道这篇论文在干什么就好了（比如水报告的时候(ˉ▽ˉ；)…）。 即使是精读，我对作者为什么这样做的原因还是有很多不解 笔记里有一些自己的理解还有疑问，还请批评指正！ 论文基本信息0摘要 Abstract介绍 intruductionTop-N recommendation前人工作的weakness 论文基本信息 WSDM 2018 Personali
django-rest协同过滤推荐系统，开源项目，下载地址
最新发布
05-24
以下是几个基于Django REST Framework的协同过滤推荐系统的开源项目，你可以根据自己的需求选择合适的项目进行下载和使用： 1. django-recommendation: https://github.com/mattsnider/django-recommendation 2. ...
评论 1
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