推荐系统
文章平均质量分 77
Dive_
这个作者很懒,什么都没留下…
展开
-
2020-SIGIR- Lightgcn: Simplifying and powering graph convolution network for recommendation
LightGCN当前RS中的GCN工作没有进行彻底的消融实验,本文实验发现GCN的两项设计**[特征转化]和[非线性激活函数]**不适用于协调过滤。提出了LightGCN,只使用了GCN的邻居聚合,线性传播信息,然后加权每一层的嵌入得到最终的表示。1 引言CF的通用范式:①学习到用户和物品的隐含特征(嵌入/表示);②基于嵌入向量进行预测。MF,直接将single id作为嵌入SVD++,将历史交互物品id来表示user(一阶邻居)交互图,多阶邻居NGCF中借鉴GCN的特征转化、非线性函数;原创 2022-03-22 00:27:21 · 225 阅读 · 0 评论 -
2020-SIGIR-Disentangled Graph Collaborative Filtering
DGCFAbstractCF演化,从单一的用户-物品交互演化到使用整个交互图来学习表示。这些方法都是uniform方法,忽略了用户采取物品时意图的多样性。本文提出DGCF,分离意图因素,产生解耦表示。1 INTRODUCTIONDGCF,在用户意图上解耦用户和物品的表示。首先将每一个用户/物品的嵌入划分成块,将每个块和每种隐含的意图耦合。然后采用图解耦模块,带有邻居路由和嵌入传播同时,独立建模模块,使得不同意图尽量独立2 PRELIMINARY AND RELATED WORK2.2原创 2022-03-22 00:12:31 · 363 阅读 · 0 评论 -
2019-CIKM-Multi-Interest Network with Dynamic Routing for Recommendation at Tmall
Multi-Interest Network with Dynamic Routing for Recommendation at Tmall2019 CIKMRS分为两阶段:matching和ranking。matching阶段检索出和用户兴趣相关的候选集;ranking阶段根据用户兴趣对候选集排序。因此在每个阶段表示用户的兴趣都很重要,但是目前大多方法都用一个向量来表示用户,不能很好的捕获用户多兴趣的表示。本文提出MIND,使用编码用户不同兴趣的多个向量来表示用户。1 引言matching和ra原创 2022-03-22 00:12:14 · 261 阅读 · 0 评论 -
2021-WSDM-Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender
Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender Systems2021 WSDMCF的主题是表示学习。学习到的表示应该反映出:由外在属性所显示的,比如book的作者、类型由隐式因子所显示的,协同信号3 问题描述协作关系感知图,交互图+物品知识图谱显示关系 R+R^+R+ 就是物品KG中的关系隐式关系 R−={k1,k2,k3,k4}R^-=\{k_1,k原创 2022-03-22 00:11:53 · 1186 阅读 · 0 评论 -
2021-SIGIR-Path-based Deep Network for Candidate Item Matching in Recommenders
Path-based Deep Network for Candidate Item Matching in Recommenders2021-SIGIR-阿里、蚂蚁介绍了工业界主流的两种召回方式及对应的特点,提出PDN整合两种召回方式。1 INTRODUCTIONa matching stage is expected to retrieve a small fraction of relevant items in low latency and computational costa r原创 2022-03-22 00:11:29 · 328 阅读 · 0 评论 -
2021-KDD-MixGCF: An Improved Training Method for Graph Neural Network-based Recommender Systems
MixGCF: An Improved Training Method for Graph NeuralNetwork-based Recommender Systems2021-KDD 清华唐杰老师利用u-i图结构和GNN的聚合过程来研究GNN-CF中的负采样。提出了MixGCF,设计了hop mix技术来合成hard负样本。3 THE MIXGCF METHODpositive mixing:插值混合法,将正样本中的信息注入到负样本,make hard 负样本hop mixing:使用原创 2022-03-22 00:10:53 · 347 阅读 · 0 评论 -
2021-WSDM-Sparse-Interest Network for Sequential Recommendation
2021-WSDM 阿里团队 召回发现用户的行为序列通常包含多个概念上不同的物品,而统一的嵌入向量主要受到最近频繁行为的影响。本文提出Sparse Interest NEtwork,核心是稀疏兴趣模块和兴趣聚合模块:稀疏兴趣模块,自适应地从大型概念池中推断出每个用户的一组稀疏概念,并输出对应的多个嵌入兴趣聚合模块,主动预测用户的当前意图,然后使用它显式地对next item预测进行建模1 INTRODUCTION传统的推荐方法——协同过滤基于深度神经网络的推荐——NCF、PinSage;原创 2022-03-21 01:22:01 · 631 阅读 · 0 评论 -
2021-WWW-Learning Intents behind Interactions with Knowledge Graph for Recommendation
ABSTRACT将KG运用到RS中,现存的GNN方法在关系建模中是粗粒度的,不能在细粒度的意图粒度上识别user-item关系,也不能利用关系依赖关系来保留远程连接的语义。(后半句怎么理解?)本文提出KGIN,将每个意图建模成KG关系的注意力结合,鼓励不同意图间的独立性;设计了新的消息聚合机制,递归的整合长距离连通性的关系序列。这些设计能够提取关于用户意图的有用信息,将其编码进用户和物品的表示中。1 INTRODUCTIONKG运用到RS:KG学习嵌入—路径—GNN缺点:用户意图:一个用户有原创 2022-03-21 01:16:25 · 997 阅读 · 0 评论 -
2021-ACL-HieRec: Hierarchical User Interest Modeling for Personalized News Recommendation
3 HieRec3.1 问题定义新闻n的组成:title文本序列 T ,w表示单词实体序列 E ,e表示实体topic tsubtopic s用户的行为序列:M个点击的新闻点击主题集合 {t1,t2,..,tm}\{{t_1,t_2,..,t_m}\}{t1,t2,..,tm},一个用户点击过m个主题对于m个主题中的每个主题tit_iti,都有一个点击子主题集合 {sji}\{{s^i_j}\}{sji} ,表示点击了第i个主题的第j个子主题(d个子主题)点原创 2022-03-21 01:12:01 · 343 阅读 · 0 评论 -
2020-CIKM-DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation
原创 2022-03-21 01:08:33 · 336 阅读 · 1 评论 -
2019-CIKM-SDM: Sequential Deep Matching Model for Online Large-scale Recommender System
SDM: Sequential Deep Matching Model for Online Large-scale Recommender System2019-CIKM 阿里团队item CF 不能建模用户动态和演化的偏好。本文提出SDM,解决两个问题:一个session中可能有多种兴趣趋势长期偏好可能无法与当前session的兴趣有效融合个人认为本文的亮点有:user emb做query,对于序列LSTM之后的隐藏h序列(多头自注意力之后)做atten;对于长期序列不同feat分别做原创 2022-03-21 01:05:13 · 507 阅读 · 0 评论 -
2021-CIKM-SimpleX: A Simple and Strong Baseline for Collaborative Filtering
CF三大块:交互Encoder、损失函数、负采样本文提出余弦对比损失,整合到一个简单的统一的CF模型—SimpleX个人认为亮点在损失函数上,模型大道至简,表现很好;但是拿CCL和BPR比 相当于对于每个正样本pair,使用了更多(采样数量)并且权重不等(margin)的负样本,类似于阿里的EBR(21kdd)中提到softmax优于pairwise2 BACKGROUND AND RELATED WORK2.1 CF 定义交互Encoder,目的是学习到用户和物品的嵌入*(这篇文章..原创 2022-03-21 01:01:07 · 788 阅读 · 2 评论 -
2020-RecSys-SSE-PT: Sequential Recommendation Via Personalized Transformer
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SSE1 INTRODUCTIONSASRec使用标准的Transformer,本质上是一个非个性化的模型。S原创 2022-03-21 00:56:00 · 448 阅读 · 0 评论 -
2021-WWW-Disentangling User Interest and Conformity for Recommendation with Causal Embedding
原创 2022-03-21 00:51:19 · 284 阅读 · 0 评论 -
2020-KDD-Controllable Multi-Interest Framework for Recommendation
2020-KDD 阿里 多兴趣 召回序列推荐,近期工作大多从用户的行为序列中提取出一个统一的嵌入,它不能反映用户在一段时间内的多兴趣。本文提出ComiRec,核心有两个模块:多兴趣提取:使用胶囊网络或自注意力从用户的行为序列中为用户提取出K个兴趣向量兴趣聚合:从K个兴趣向量检索出的K×topN个物品中选出最终的K个物品,引入可控制的参数来平衡推荐的准确性和多样性2 RELATED WORKCF:MF、FM神经网络RS:NCF、NFM、DeepFM、xDeepFM、DMF、DCN、CMN (原创 2022-03-21 00:45:41 · 1116 阅读 · 0 评论 -
2018-KDD-Real-time Personalization using Embeddings for Search Ranking at Airbnb
Real-time Personalization using Embeddings for Search Ranking at Airbnb2018-KDDAirbnb作为一个短期租赁市场,面对的RS问题比较独特:双边市场,需要为房主和租客优化,用户很少消费同一个item两次,一个listing在确定的一组预定中只能接受一个租客。1 INTRODUCTION双边匹配市场中的搜索排序需要同时满足供应方和需求方。Airbnb的搜索ranking很清晰:输入query是位置和旅行日期将房屋按照位原创 2022-03-21 00:40:46 · 515 阅读 · 0 评论 -
会话/序列推荐:Caser、SASRec、BERT4Rec [Session based / Sequential Recommendation]
目录Caser3 模型3.1 嵌入层3.2 卷积层3.3 全连接层3.4 训练3.6 与一些模型的关系Caser2018-WSDM-Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding卷积序列推荐模型Caser,使用CNN从近期items序列中以局部特征的方式提取序列模式。3 模型为了捕获用户的整体偏好和序列模式联合级别和单独级别的i2iskip行为连接3.1 嵌入层use原创 2021-07-14 20:43:00 · 2325 阅读 · 0 评论 -
RS中深度学习的两类方法:表示学习和匹配函数学习
目录1 基于表示学习1.1 无序交互MLP自动编码器AE注意力机制1.2 序列交互RNNCNN注意力机制1.3 多模态内容分类属性用户评论多媒体内容1.4 链路图端到端:NGCF端到端:KGAT两阶段:KPRN2 基于匹配函数学习2.1 双向匹配相似性学习度量学习2.2 多路匹配隐式交互建模显式交互建模显式和隐式交互建模 结合RS中深度学习的两类方法:表示学习和匹配函数学习在搜索中,query和document由相同的术语组成,对他们的术语直接进行匹配至少是有意义的。在推荐中,用户和项来自不同语义的空间原创 2021-06-11 19:03:41 · 731 阅读 · 2 评论 -
A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Reco
A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation2021-TKDE原创 2021-06-06 19:45:50 · 340 阅读 · 0 评论 -
2021-IJCAI-Deep Learning for Click-Through Rate Estimation
Deep Learning for Click-Through Rate Estimation2021-IJCAI原创 2021-05-19 01:15:46 · 370 阅读 · 1 评论 -
2021-WWW-FM^2 : Field-matrixed Factorization Machines for Recommender Systems
目录1 INTRODUCTION2 RELATED WORKS OVERVIEW3 OUR MODEL3.1 FM系列的统一框架3.2 FFM和FmFM,记忆vs推断3.3 模型复杂度4 MODEL OPTIMIZATION4.1 field-specific 嵌入维度4.2 中间向量缓存4.3 结合嵌入维度和缓存优化4.4 soft剪枝4.5 减少线性函数项5 EXPERIMENTS5.3 表现对比5.4 嵌入维度优化????????2 : Field-matrixed Factorization M原创 2021-05-15 00:55:57 · 620 阅读 · 0 评论 -
A Survey on Knowledge Graph-Based Recommender Systems
目录3.1 Embedding-based Method3.1.1 Two-stage Learning Method3.1.2 Joint Learning Method3.1.3 Multi-task Learning Method3.1.4 Summary for Embedding-based Method3.1 Embedding-based Method3.1.1 Two-stage Learning Method两阶段学习方法代表对图嵌入模块和推荐模块进行逐一训练。第一步学习到了实体和关原创 2021-04-29 00:02:16 · 680 阅读 · 0 评论 -
Research Commentary on Recommendations with Side Information: A Survey and Research Directions
目录1 INTRODUCTION2 EVOLUTION OF RECOMMENDERS WITH SIDE INFORMATION2.1 Overview of recommender systems2.2 Evolution of fundamental methodologies for recommendation2.3 Evolution of side information for recommendation3 CONVENTIONAL MODELS WITH SIDE INFORMATION原创 2021-04-29 00:01:57 · 455 阅读 · 0 评论 -
KGAT: Knowledge Graph Attention Network for Recommendation
目录摘要2 任务定义3 模型3.1 嵌入层3.2 注意力嵌入传播层3.3 模型预测3.4 优化4 实验摘要推荐算法引入side info,传统算法(FM)假设每个交互都是一个带有side info 编码的独立实例,这些方法不足以从用户的集体行为中提取出协作信号。本文提出KGAT,显式地构造KG图中地高阶连通性。2 任务定义用户-物品二部图知识图谱,注意关系集合R包含正方向和逆方向(比如 电影被xx主演;xx主演电影;这是两个关系)协调知识图,CKE,将用户行为和物品知识整合成一个统一关系图,将原创 2021-03-19 15:39:41 · 1037 阅读 · 0 评论 -
EGES模型
目录2 FRAMEWORK先验知识——图嵌入框架+DeepWalk从用户行为构造物品图基础图嵌入带有side info的图嵌入加强版的带有side info的图嵌入5 RELATED WORK图嵌入带有side info的图嵌入用于RS的图嵌入可伸缩性、稀疏性、冷启动方法基于图嵌入框架,从用户序列构造出item图,学习到item的嵌入。为了解决稀疏性和冷启动问题,将side info也利用到图嵌入框架中。2 FRAMEWORK先验知识——图嵌入框架+DeepWalk通过随机游走得到节点序列,ski原创 2021-03-07 20:34:26 · 1647 阅读 · 0 评论 -
Are We Evaluating Rigorously? Benchmarking Recommendation for Reproducible Evaluation and Fair Compa
目录1 INTRODUCTION2 PAPER COLLECTION AND ANALYSIS2.1 Paper Collection2.2 Paper Analysis2.2.1 数据集2.2.2 数据预处理2.2.3 对比 Baseline2.2.4 目标函数2.2.5 负采样2.2.6 数据划分方法2.2.7 评价指标2.2.8 超参数调整3 IMPACTS OF DIFFERENT FACTORS3.1 数据预处理3.2 目标函数3.3 负采样3.4 数据划分方式3.5 评价指标3.6 复杂度分析原创 2021-01-20 21:46:22 · 327 阅读 · 0 评论 -
Neural Graph Collaborative Filtering
目录2 METHODOLOGY2 METHODOLOGY原创 2021-01-13 00:12:20 · 573 阅读 · 0 评论 -
Outer Product-based Neural Collaborative Filtering
目录2 Proposed Methods2.1 ONCF2 Proposed Methods提出了ONCF框架,并且实现了一个具体化实例,ConvNCF2.1 ONCF输入和嵌入按照本文给的嵌入计算方式,不同field的特征嵌入直接相加得到最终的嵌入,所以嵌入是K维。而不是每个field的嵌入concat,得到field数×K的嵌入??K,嵌入维度;M,用户特征数量;N,物品特征数量。交互map得到K×K的交互map——E[He and Chua, 2017;Beutel et al原创 2021-01-13 00:12:05 · 469 阅读 · 0 评论 -
Neural Collaborative Filtering
目录2 PRELIMINARIES3. NEURAL COLLABORATIVE FILTERING3.1 通用框架3.2 广义矩阵分解(GMF)3.3 MLP3.4 GMF和MLP的聚合—NeuMF4 EXPERIMENTSQ1 NCF的效果比其他SOTA的隐式CF好吗?Q2 带有负采样的log loss(这个优化框架)是否适用于RS?Q3 更深的网络对于从交互数据中学习 有帮助吗?核心:内积的局限性,用神经结构代替内积。实验表明,使用更深层次的神经网络提供了更好的推荐性能。2 PRELIMINAR原创 2021-01-06 21:35:13 · 1584 阅读 · 0 评论 -
Joint Deep Modeling of Users and Items Using Reviews for Recommendation
模型共享层使用了FM这篇文章写的很清晰https://blog.csdn.net/lxx3478/article/details/108920371原创 2020-10-31 22:40:10 · 199 阅读 · 0 评论 -
Deep Matrix Factorization Models for Recommender Systems
Deep Matrix Factorization Models for Recommender Systems目录概要模型目标函数概要首先,我们构造了一个具有显式评级和非偏好隐式反馈的用户项矩阵。其次,我们设计了一种新的基于二元交叉熵的损失函数。模型这一体系结构的灵感来自深层结构语义模型,这些模型已被证明对网络搜索有用[Huang等人,2013年], 其中,它可以通过多层非线性投影在潜在空间中映射查询和文档。如果目标函数两种类型的目标函数:point-wise 回归 显原创 2020-10-31 22:39:57 · 384 阅读 · 0 评论 -
Collaborative Topic Modeling for Recommending Scientific Articles
目录ABSTRACT2. BACKGROUND2.2 Recommendation by Matrix Factorization2.3 Probabilistic Topic Models3. COLLABORATIVE TOPIC REGRESSIONABSTRACT提出了CTR算法,结合了CF和概率主题模型(用的LDA)准确率提升可解释的用户和物品隐向量文章的冷启动2. BACKGROUND2.2 Recommendation by Matrix Factorization传统的矩原创 2020-10-31 22:39:33 · 637 阅读 · 0 评论 -
基于图的PersonalRank算法原理及Python实现
1 PersonalRank算法简介2 随机游走多次实现3 矩阵化实现参考:https://www.cnblogs.com/hellojamest/p/11763033.html原创 2020-06-03 22:53:24 · 578 阅读 · 0 评论 -
基于领域的协同过滤算法原理及Python实现
目录1 相关说明2 基于领域的协同过滤算法原理2.1 基于用户的协同过滤2.2 基于物品的协同过滤3 代码实现4 一些问题1 相关说明针对于TopN推荐问题协同过滤算法:推荐算法的一类,利用相似用户之间具有相似兴趣偏好的原理,来发现用户对物品的潜在偏好,仅需要用户对物品的行为数据,是目前应用最为成功的推荐方法基于领域的协同过滤:推荐系统中基本的算法,分为基于用户的协同过滤(UserCF)和基于物品的协同过滤(ItemCF)2 基于领域的协同过滤算法原理2.1 基于用户的协同过滤此算法的思想原创 2020-05-22 12:11:12 · 676 阅读 · 0 评论 -
隐语义模型LFM原理及Python实现
隐语义模型=Funk-SVD算法1 矩阵P、Q、R评分矩阵R分解成两个矩阵相乘(用户、物品隐表示矩阵P和Q)给定F,是隐含的类别数,维度矩阵R m×n m个用户 n个评分矩阵P m×f 一行代表一个用户矩阵Q f×n 一列代表一个物品注:参考有的说明是P和Q都是m×f n×f 或者 f×m f×n,然后其中一个转置,其实含义都一样r_ui=p_u1*q_i1+p_u2*q_i2+…...原创 2020-03-12 22:37:41 · 561 阅读 · 2 评论