论文精读：collaborative memory network for recommendation system

最新推荐文章于 2024-05-10 19:11:14 发布
最新推荐文章于 2024-05-10 19:11:14 发布
阅读量249 收藏 1
点赞数
分类专栏： 记忆网络 推荐系统 文章标签： 推荐系统 协同过滤 深度学习
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/qq_40844018/article/details/114867043
版权
本文深入探讨了一种结合记忆网络的推荐系统模型——协同记忆网络（CMN）。该模型通过内部用户特定记忆、物品特定记忆和集体邻域状态来捕获全局和局部信息。利用注意力机制，CMN在单跳和多跳过程中学习用户-物品邻域关系，以生成更精准的推荐。尽管CMN将记忆网络应用于推荐系统是创新之举，但其并未充分利用记忆网络的特性，且用户特征的引入相对较少。
摘要由CSDN通过智能技术生成

将两类CF模型（捕获全局结构的隐因子模型和捕获邻域结构的模型）以非线性的方式进行组合。使用记忆单元和注意力机制来学习user-item的邻域关系。

目录

1 简介

现有的基于邻域的方法和基于隐因子的方法要么是只关注局部信息，要么只关注全局信息。
记忆网络通常包含两部分：external memory（matrix等） ；controller（对memory进行操作）

2 collaborative memory network

三个记忆状态：internal user-specific memory, item-specific memory,
collective neighborhood state。

2.1 单跳

在这里插入图片描述

2.1.1 user embedding

user memory matrix和item memory matrix分别存储用户u特征m u _{u}

最低0.47元/天 解锁文章
dpbpnp
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文代码研读：Collaborative Memory Network for Recommendation Systems
qq_40844018的博客
03-17 402
本文研读Collaborative Memory Network for Recommendation Systems论文复现代码，源代码来源于https://codeload.github.com/IamAdiSri/cmn4recosys/zip/master 文章目录1. 论文思想2. 论文复现2.1 获取训练数据 1. 论文思想 本文采用记忆力神经网络的框架，综合CF和attention机制来选择记忆单元，预测item评分。 2. 论文复现 2.1 获取训练数据 源码所使用的数据中用户数目为1698
Collaborative Memory Network for Recommendation Systems解读
weixin_45608479的博客
06-25 811
Collaborative Memory Network for Recommendation Systems解读 本文为对该论文的简单解读和记录，方便理解 摘要
邻域注意力Transformer
最新发布
qq_47896523的博客
05-10 800
邻域注意力（NA），这是第一个高效且可扩展的视觉滑动窗口注意力机制，NA是一种逐像素操作，将自注意力（SA）定位到最近的相邻像素，因此与SA的二次复杂度相比，具有线性时间和空间复杂度。与Swin Transformer的窗口自注意力不同，滑动窗口模式允许NA的感受野增长，而无需额外的像素移位，并保留平移等变性。Neighborhood Attention Transformer可以自适应地将接收域定位到每个token周围的一个邻域，在不需要额外操作的情况下引入局部归纳偏差；
2018-Collaborative Memory Network for Recommendation Systems.pdf
06-11
2018-Collaborative Memory Network for Recommendation Systems
Collaborative Memory Network for Recommendation Systems
ChristineC_的博客
02-21 413
时间：2018.06 作者：Travis Ebesu, Bin Shen, Yi Fang Abstract： memory module: stacking multiple memory modules yield deeper architectures capturing increasingly complex user-item relations neural attenti...
【推荐算法论文阅读】Collaborative Memory Network for Recommendation Systems
qq_36643449的博客
04-20 595
一、简介 本文提出协同记忆网络这一深层结构：它是一种将基于潜在因素模型的全局结构和基于邻域的局部结构，用非线性方法进行统一实现的深度结构模型。在Memory Networks的成功推动下，我们将记忆组件和神经注意机制融合为邻域组件，记忆模块中用户和物品记忆的关联寻址方案将复杂的用户-物品关系与神经注意机制结合起来编码，以学习用户-物品特定的邻域。最终，输出模块联合利用了存有用户-物品记忆的邻域来生成排序分数。集成多个记忆模块作为一个深度结构可以捕捉更加复杂的用户-物品关系。 在信息过载的时代，推荐系统显得十
A New Time-aware Collaborative Filtering Intelligent Recommendation System
02-11
A New Time-aware Collaborative Filtering Intelligent Recommendation System
SCRAPfy: Collaborative code editor for ninjas-crx插件
04-02
语言:English 与其他开发人员实时共享您的代码。 ... 有时我们需要共享代码或只是向合作伙伴寻求帮助，然后我们决定与我们这样的开发人员共享此在线工具。 ... 多个开发人员可以同时处理同一代码。...我们使用C9的开源高级...
Taxonomy-aware collaborative denoising autoencoder for personalized recommendation
02-08
Taxonomy-aware collaborative denoising autoencoder for personalized recommendation
DCCR: Deep Collaborative Conjunctive Recommender for Rating Prediction
02-08
Recently, collaborative filtering combined with various kinds of deep learning models is .appealing to recommender systems, which have shown a strong positive effect in accuracy improvement....
推荐系统——Collaborative Memory Network for Recommendation Systems
manduner的博客
07-18 1805
论文描述： *协同过滤推荐系统可以分为三类：基于内存或者邻域的方法、潜在因子模型和混合模型 *基于邻域的方法通过从两个用户或商品之间的反馈交叉点中选择最多K个观测值，以获取用户和商品历史交互数据的局部结构，但这样做通常忽略了大多数可用的评分。 *潜在因子模型，例如矩阵分解模型，可以得到用户和商品之间的全局结构，但通常会忽略上述强关联的存在。 *混合模型，例如SVD++，通过整合基于领域的方...
Item based collaborative filtering recommendation
07-21
Item based collaborative filtering recommendation algorithms 协同过滤推荐算法的基础论文
「论文笔记」Denoising User-aware Memory Network for Recommendation
weixin_43931451的博客
01-17 2521
动机：为了推断用户动态偏好的演变，更多的关注到基于序列的推荐系统 最近的研究：注意到可以从显示和隐式反馈序列更好的理解用户偏好 现有方法存在的问题： 没有考虑在隐式反馈中包含的噪声 ⇒ 导致用户兴趣的有偏见的表示和次优的推荐性能。 利用item序列来获取用户兴趣的演变 ⇒ 性能受到序列长度的限制，并且难以在一个长的时期对长期兴趣进行有效建模 基于这些观察，提出了一个标准的CTR（Click-Through Rate）模型，叫做denoising user-aware memory network(D
《Collaborative Memory Network for Recommendation Systems》推荐系统之协同记忆网络CMN
十三
05-13 3640
论文 0 摘要 推荐系统在使用户在现代在线平台中使用个性化内容方面发挥着至关重要的作用。深度学习已经彻底改变了许多研究领域，并且最近对将其应用于协同过滤（CF）的兴趣激增。然而，现有方法与潜在因子模型构成了深度学习架构，忽略了一大类CF模型，邻域或基于记忆的方法。 我们提出了协同存储网络（CMN），这是一种深层架构，用于统一两类CF模型，以非线性方式利用潜在因子模型的全局结构和和邻域模型局部结构...
推荐系统——Collaborative User Network Embedding for Social Recommender Systems
manduner的博客
07-17 1493
论文描述： *为了解决推荐系统中数据稀疏和冷启动的问题，许多推荐算法引入了社交信息（例如：用户-用户信任链接）来补充评分数据以改进传统的基于模型的推荐技术性能，例如矩阵分解（MF）和贝叶斯个性化排名（Bayesian personalized ranking,BPR）。这样做，尽管取得了一定的效果，但直接从这些社交信息中提取的显示用户—用户关系具有三个主要限制，首先，由于只有一小部分用户在推荐系...
推荐系统——Neural collaborative filtering
manduner的博客
07-18 1594
论文描述： *矩阵分解模型是目前最为流行的一种协同过滤方法，通过用户潜在特征和商品潜在特征的内积重构用户-商品交互矩阵中的未知项，模型简单、易扩展且灵活。但是取得的推荐性能较低。基于矩阵分解的改进方法有，将矩阵分解模型与基于内容的模型相结合，形成混合模型；将辅助信息整合到矩阵分解模型中等。由于深度学习强大的表示学习能力，一些研究开始将深度学习的方法与传统的矩阵分解模型相结合，以提高推荐系统的性能...
Vision Transformer之Neighborhood Attention Transformer：更像卷积的Attention
画心
04-29 3358
提出了一个neighborhood attention操作。顾名思义，其以query对应的位置为中心来设定局部窗口，从而提取key和value进行计算。这是一种概念上更加简单、灵活和自然的的注意力机制。
arXiv -2022-NAT: Neighborhood Attention Transformer 阅读笔记
菜菜子hoho的博客
05-15 1249
论文地址： https://arxiv.org/abs/2204.07143 代码地址（刚刚开源）： https://github.com/SHI-Labs/Neighborhood-Attention-Transformer 动机 受卷积如何引入邻域偏差和局部性的启发，本文通过引入了邻域注意，允许特征图中的每个像素仅关注其相邻像素。以此在不需要额外操作的情况下引入局部归纳偏差。 内容总览 本文提出了Neighborhood Attention Transformer(NAT)，NAT是一种集高效、准确和可
【论文笔记_目标检测_2022】Neighborhood Attention Transformer
qq_45128278的博客
05-11 1592
摘要 我们提出了邻域注意变换器（NAT），这是一个高效、准确和可扩展的分层变换器，在图像分类和下游视觉任务中都能很好地工作。它建立在邻域注意（NA）的基础上，这是一种简单而灵活的注意机制，它将每个查询的感受野定位到其最近的邻近像素。NA是一种自我注意的定位，并随着感受野大小的增加而接近自我注意。在相同的感受野大小下，它在FLOPs和内存使用方面也与Swin Transformer的移窗注意相当，而受限制较少。此外，NA还包括局部感应偏置，从而消除了对像素移位等额外操作的需要。在NAT上的实验结果是有竞争力.
matching user with item set: collaborative bundle recommendation with deep a
08-20
协同捆绑推荐是一种通过深度学习算法将用户与物品集进行匹配的方法。这种方法可以为用户提供个性化的捆绑推荐，准确地满足用户的需求与兴趣。 在这种方法中，使用者的行为数据被采集并存储，例如购买记录、浏览历史...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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