![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
协同过滤
文章平均质量分 91
推荐系统
饮冰l
这个作者很懒,什么都没留下…
展开
-
论文笔记:Recsys 2019 Style Conditioned Recommendations
前言论文链接:https://arxiv.org/abs/1907.12388github:暂无本文提出了一种条件变分自动编码器 Conditional Variational Autoencoder (CVAE) ,其中编码器和解码器的所依赖的用户条件是从物品内容中学习得到的。基于此可以允许模型根据不同类型的推荐任务进行风格迁移,作者将这种功能称为风格注射。为了实现这种操作,需要学习用户对于不同类型的偏好,并将该偏好作为用户配置文件加载进模型中。这种用户偏好是根据标签传播算法从物品内容信息中学习得原创 2021-02-13 19:37:52 · 287 阅读 · 1 评论 -
论文笔记:WWW 2018 Variational Autoencoders for Collaborative Filtering
前言论文链接:https://export.arxiv.org/pdf/1802.05814github:https://github.com/dawenl/vae_cf本文主要提出将变分自动编码器 variational autoencoders (vaes) 引入到协同过滤任务中,作者认为这种非线性概率模型可以超越线性因素模型有限的建模能力,同时线性因素模型在很大程度上主导着协同过滤。基于此,作者引入了一个多项式似然生成模型,并利用贝叶斯推理进行参数估计。尽管多项式似然在语言建模和经济学中得到了原创 2021-02-12 20:40:41 · 1263 阅读 · 0 评论 -
论文笔记:KDD 2020 Dual Channel Hypergraph Collaborative Filtering
1. 前言论文链接:https://www.researchgate.net/publication/343777368_Dual_Channel_Hypergraph_Collaborative_Filteringgithub:暂无协同过滤(CF)是当今众多推荐系统中最流行、最重要的推荐方法之一。现有的基于CF的方法,从矩阵分解到新兴的基于图的方法,虽然得到了广泛的应用,但是在训练的数据非常有限的情况下,表现都很差。在本文中,我们首先指出了这种不足的根本原因,并观察到现有基于CFbased方法内在设原创 2020-10-03 16:26:07 · 2048 阅读 · 0 评论 -
论文笔记:IJCAL 2019 STAR-GCN: Stacked and Reconstructed Graph Convolutional Networks for Recommender Sys
前言文章针对推荐系统提出了一种新的堆叠和重构图卷积网络(STAR-GCN)结构来学习节点的表征,提高推荐系统的效率,特别是在冷启动场景。STAR-GCN采用一堆GCN编码器/解码器与中间监督相结合,以提高最终预测性能。同图卷积矩阵分解模型用one-hot节点作为输入不同,STAR-GCN学习低维的user、item 隐表征作为输入来限制模型的空间复杂度。STAR-GCN可以通过重建屏蔽的输入节点表征来为新节点生成节点表征,这本质上解决了冷启动问题 。文章在为链接预测任务训练基于GCN的模型时发现标签泄漏问原创 2020-09-27 10:08:31 · 1246 阅读 · 0 评论 -
论文笔记:IJCAL 2018 Outer Product-based Neural Collaborative Filtering
前言本文提出了一个新的多层神经网络架构ONCF来执行协同过滤。其想法是使用一个外部产品来显式地建模嵌入空间的维度之间的成对关联。与现有的神经推荐模型相比,通过简单的连接或元素导向的产品将用户嵌入和条目嵌入结合在一起,使用位于嵌入层之上的外部产品,从而得到一个表达更丰富、语义更合理的二维交互图。在外积得到的交互图上面,提出使用卷积神经网络来学习嵌入维数之间的高阶关联。在两个公开的隐式反馈数据上的大量实验证明了ONCF框架的有效性,特别是在多层神经推荐模型的低层次中,使用外部积来建模嵌入维数之间的相关性的积极原创 2020-09-24 16:47:32 · 985 阅读 · 2 评论 -
论文笔记:AAAI 2019 Oral DeepCF: A Unified Framework of Representation Learning and Matching Function Lea
前言一般来说,推荐可以看作是一个匹配问题,即为合适的用户匹配合适的项目。但是,由于用户和项之间存在巨大的语义鸿沟,几乎不可能在初始表示空间中直接匹配用户和项。为了解决这个问题,已经研究了很多方法,通常可以分为两类:基于表示学习的CF方法基于匹配函数学习的CF方法。基于表示学习的CF方法尝试将用户和项映射到一个公共表示空间中。在这种情况下,用户和该空间中的物品之间的相似性越高,意味着它们的匹配越好。基于学习的CF方法尝试直接学习复杂的匹配函数,该函数将用户-物品对映射到匹配分数。虽然这两种方法都得原创 2020-09-23 16:42:40 · 781 阅读 · 0 评论 -
论文笔记:AAAI 2020 Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional
前言近年来,在基于协同过滤(CF)的推荐系统(RS)中,一些研究者将用户与项目的交互行为视为一个二分图,用GCNs对高层协同信号进行建模。这些基于GCN的推荐模型与传统的推荐模型相比具有更高的性能。然而,在用户和物品的交互大图中带有非线性激活函数的模型训练起来非常困难。此外,由于图卷积运算的过度平滑效应,大多数基于GCN的模型无法对更深层次进行建模。本文从两个方面重新探讨了基于GCN的CF模型。证明了去除非线性会提高推荐性能,这与简单图卷积网络中的理论是一致的。本文提出了一种残差网络结构,该结构是原创 2020-09-20 16:00:13 · 1614 阅读 · 2 评论 -
论文笔记:LightGCN Simplifying and Powering Graph Convolution Network for Recommendation
前言论文链接:https://arxiv.org/abs/2002.02126github:https://github.com/gusye1234/LightGCN-PyTorch参考:https://blog.csdn.net/qq_39388410/article/details/106970194https://blog.csdn.net/u013422128/article/details/107504654图卷积网络(GCN)已经成为协同过滤的最新技术。然而,对于推荐的有效性的原因却没原创 2020-08-14 13:35:37 · 1639 阅读 · 1 评论 -
论文笔记:Neural Graph Collaborative Filtering
前言论文链接:https://arxiv.org/abs/1905.08108github:https://github.com/talkingwallace/NGCF-pytorch参考:https://www.jianshu.com/p/16c8973ef8ffhttps://zhuanlan.zhihu.com/p/110682271https://blog.csdn.net/weixin_37913042/article/details/99712729CF方法:协同过滤学习模型从项原创 2020-07-20 18:00:17 · 1244 阅读 · 0 评论 -
论文笔记:Neural Collaborative Filtering(NCF)
前言论文链接:https://arxiv.org/abs/1708.05031github:https://github.com/yihong-chen/neural-collaborative-filtering参考:https://www.cnblogs.com/HolyShine/p/6728999.htmlhttps://blog.csdn.net/foneone/article/details/103881687本文主要介绍了一种一种基于神经网络的技术,来解决在含有隐形反馈的基础上进行推原创 2020-07-19 14:10:12 · 2195 阅读 · 1 评论 -
论文笔记:AutoRec: Autoencoders Meet Collaborative Filtering
前言论文链接:https://dl.acm.org/doi/10.1145/2740908.2742726github:https://github.com/ImKeTT/AutoRec-Pytorch这篇文章提出了一种基于AutoEncoder的协同过滤方法来解决评分预测问题。将协同过滤和 Autoencoder 结合,在协同过滤算法中,假设有m个用户和n个物品,以及用户对物品的评分矩阵R,任务是尽可能准确地推测出用户对未评分物品的评分值。实验证明在RMSE指标数上优于CF和RBM等模型。这篇论原创 2020-07-18 09:53:52 · 1188 阅读 · 0 评论 -
论文笔记:Graph Convolutional Matrix Completion
前言内容转载自:https://blog.csdn.net/yyl424525/article/details/102747805仅作为学习笔记之用论文链接:https://www.kdd.org/kdd2018/files/deep-learning-day/DLDay18_paper_32.pdfgithub:https://github.com/SongFGH/gc-mc-pytorch(pytorch版本复现)图卷积神经网络(GCN)是现在深度学习的热点之一,这篇文章基于user-item转载 2020-07-17 10:58:29 · 2461 阅读 · 3 评论