- 博客(14)
- 收藏
- 关注
原创 个人整理。
simplex:提出了余弦对比损失(CCL),并将其进一步合并到一个简单的统一CF模型,称为simplex。使用BPR损失和较小的负采样率进行训练会导致许多CF模型的效果较差。在本文中,我们表明,选择合适的损失函数和适当数量的负样本比交互编码器起着同等或更重要的作用。CCL损失通过最大化正用户项的余弦相似度来优化嵌入,同时将负用户项对的相似度最小化到一定的余量。我们将simplex构建为集成矩阵分解和用户行为建模的统一模型。具体来说,它包括一个行为聚合层(平均池化),从历史交互的项目中获取用户的偏好向量,然
2022-06-07 20:13:58
331
1
原创 利用地理时间意识关注下一个兴趣点建议
为了下一个poi建议深入了解用户移动性是一项至关重要但具有挑战性的任务。现有的理解用户移动性的方法主要掩盖了签入序列,使得它无法明确捕获整个用户签入历史中细微的POI–POI交互,也无法区分相关签入和不相关的签入。本文提出了地理时间感知层次注意网络(GT-HAN)来解决现有的问题。首先建立了一个地理时间注意网络,同时揭示整体序列依赖性和微妙的poi-poi关系。然后,设计了一个特定于上下文的共同注意网络,通过从签到历史中自适应选择相关的签到活动来学习改变用户偏好,从而使GT-HAN能够区分用户
2022-05-27 14:54:06
252
原创 推荐系统中的图形注意协同相似度嵌入
1.引言:提出了图注意协作相似性嵌入(GACSE),这是一种新的推荐框架,它利用用户-项目二部图中的协作信息进行表示学习。框架由两部分组成:第一部分是通过带有注意力机制的嵌入传播学习显式图协同过滤信息,例如用户-项目关联,第二部分是学习隐式图协同过滤信息,例如用户-用户相似度和项目项目相似度,通过辅助损失。设计了一个新的损失函数,将BPR损失与自适应边距和相似性损失相结合用于相似性学习。3.相关工作3.1一般推荐协同过滤根据用户的交互记录来建模用户的偏好。在CF中:基于项目的
2022-05-19 22:17:08
597
原创 ARNN-
由于数据的稀疏性,LBSN中下一个位置建议仍然非常困难,大多数位置后面只有少于5个连续的位置,这种数据稀疏性问题使得难以学习位置之间的有效顺序模式。通过假设相似位置(邻居)的转换规律具有相似的过度模式。邻居的转换规律作为检查后检查不足的位置补充信息。最后每个时间步邻居的转换规律可以与先前登记序列的顺序规律性相配合。共同预测用户的下一步移动。我们通过假设两个位置相似来扩展相似的位置:1.地理位置接近,2.用相同的语义描述,3.由同一用户首选 。这种方法被认为是基于邻域的策略,即聚合邻居的有用特征以提供
2022-05-12 22:23:53
845
原创 下一个poi建议的课程元学习
KDD21存在的问题:为用户POI交互数量有限的冷启动城市提供推荐服务,需要将隐藏在许多城市丰富数据中的知识转移到这些冷启动的城市。现有文献要么不考虑城市转移问题,要么不能同时解决多个城市不同用户之间的数据稀疏性和模式多样性问题。创新点:1.探索转移下一个POI来搜索,将来自多个城市的丰富数据知识转移到数据稀少的冷启动城市的建议。2.提出一种新颖的课程硬度感知元学习框架(CHAML)该框架将硬样本挖掘和课程学习纳入元学习范式。CHAML框架考虑了城市层面和用户层面的硬度,从加强元培
2022-05-06 13:04:28
268
原创 Few-Shot Learning for New User Recommendation inLocation-based Social Networks
WWW 2020我们专注于调查地理影响,包括地理便利性和地理依赖性。此外,我们利用基于度量学习的少量学习来充分利用用户登录并促进用户和企业之间的匹配。大多数现有作品仅通过测量用户与企业之间的访问距离来调查用户与企业之间的关系,这导致了两个限制:(面对的问题)1.距离可能不是区分不同用户入住的交通便利性的准确指标。2.在提出建议时,附近企业之间的相互依赖关系没有得到很好的模拟。在本次工作中,我们强调应该纳入地理便利性和依赖性,以全面表达地理影响。图1:地理便利性两个用户都距
2022-04-25 22:31:41
462
原创 LGLMF
Asia Information Retrieval Symposium, 2019, pp. 66–78.为了提高POI推荐方法的性能,应该解决两个主要挑战:1.利用地理信息来捕捉用户的个人地理概况和地理位置的受欢迎程度。2.将地理模型纳入矩阵分解方法为了解决这些问题,本文提出了一种基于局部地理模型的POI推荐方法,该方法考虑了用户和地点的观点。为此,通过考虑用户的主要活动区域和该区域内每个位置的相关性,提出了有效的地理模型。然后,将所提出的局部地理模型融合到逻辑矩阵分解中以提高
2022-04-25 16:13:14
331
原创 GeoSAN
KDD2020序列推荐论文贡献:本文提出了一种基于自注意网络(GeoSAN)的地理感知顺序推荐算法。该算法提出了一种新的基于重要性抽样的损失函数优化方法,通过强调信息负样本的使用来解决稀疏性问题;同时,为了更好地利用地理信息,GeoSAN使用基于自注意力机制的地理编码器表示每个GPS点的分层网络。此外,本文还提出了地理感知负样本采样器,以提高负样本的信息量。使用三个真实的数据集对所提出的算法进行评估,结果表明GeoSAN比最先进的序列定位推荐算法性能提高35%。新型地理编码器嵌入位置的精确G
2022-04-18 20:40:55
399
5
原创 self-supervised glr
摘要:对于推荐来说,用户-商品图的表示学习已经从使用单个id或交互历史发展到利用高阶邻居,导致了GCN的成功推荐。但是仍存在两个局限性:1.热门商品对表示学习有很大的影响,恶化了冷门商品的推荐。2.邻域聚合方案进一步扩大了观察边的影响,因此表示容易受到噪声交互的影响。在本研究中,探索了在用户-商品图上的自监督学习,以提高GCN推荐的准确性和鲁棒性。(该思想是用一个辅助的自监督任务来补充经典的推荐监督任务,通过自鉴别器来强化节点表示学习)。具体来说:我们生产了一个 节点的多个视图,最大化同
2022-04-16 21:40:08
210
原创 stan模型
模型总共由四个模块组成:嵌入模块,自注意力聚合层,注意力匹配层,平衡采样器。一.嵌入模块:1.用户轨迹嵌入层:我们用三个独立的嵌入层将用户、地点、时间转换为潜表示。 用户和地点的嵌入输出维度都由超参数d决定,而输入维度由集合的尺寸决定。 时间的嵌入输入维度是由其一周中的具体小时时间戳决定的;由于一周有7x24=168小时,所以时间输入维度是168。 用户轨迹嵌入层的最终输出是三个嵌入层结果的求和,即 r=u+l+t......
2022-04-05 00:35:17
807
原创 学习笔记
(1)提出了多模内容信息融合的兴趣点推荐模型。针对冷启动兴趣点推荐问题,本文提出了深度多模排序学习推荐模型(DMRL),该模型是一个概率生成模型,将挖掘到的多模内容信息以紧耦合方式融合到贝叶斯个性化排序学习框架(BPR)。首先,创建了时间依赖和空间约束的用户偏好模型,挖掘用户行为的时间动态性和空间依赖性;其次,设计了深度多模网络,从兴趣点的文本内容和视觉图片中挖掘兴趣点的语义表示,通过正则化项方式与BPR框架的融合搭建兴趣点的多模态内容信息和隐式反馈之间的桥梁,以任务驱动和有监督学习方式提取不同模态数据的语
2022-02-08 13:11:27
2927
原创 多模态信息用于推荐系统
本文思路:对于推荐系统,往往一个地方有用户评论,以及图片信息,还会有视频信息,涉及多种形式的视觉,声学和文本信息,这个时候融合多个模型的特征进行推荐。同时,多任务学习(MTL)模型也可以关注。最直接的就是对多模态抽取特征,然后多模态融合,参加到推荐系统中。 论文:Hashtag Our Stories: Hashtag Recommendation for Micro-Videos via Harnessing Multiple Modalities 地址:https://www.s
2022-01-18 00:39:42
6161
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人