推荐系统
文章平均质量分 92
秋冬无暖阳°
总要留些什么在这里
展开
-
【论文阅读】Equivariant Contrastive Learning for Sequential Recommendation
【论文阅读】Equivariant Contrastive Learning for Sequential Recommendation原创 2023-11-03 23:29:10 · 1075 阅读 · 0 评论 -
【推荐系统】推荐算法:冷启动-召回-粗排-精排-重排 解读
【推荐系统】推荐算法:冷启动-召回-粗排-精排-重排 解读原创 2023-10-31 17:03:43 · 1230 阅读 · 0 评论 -
【论文阅读】Tiny-NewsRec: Effective and Efficient PLM-based News Recommendation(LLM4RS)
大模型在推荐系统上的应用。Tiny-NewsRec: Effective and Efficient PLM-based News Recommendation(LLM4RS)原创 2023-10-16 20:56:56 · 233 阅读 · 2 评论 -
【推荐系统】推荐系统(RS)与大模型(LLM)的结合
【推荐系统】推荐系统(RS)与大模型(LLM)的结合原创 2023-10-11 23:02:24 · 718 阅读 · 0 评论 -
【论文阅读】LLM4RS:TALLRec: An Effective and Efficient Tuning Framework to Align Large Language Model w RS
【论文阅读】大模型在推荐系统上的应用 之 TALLRec原创 2023-10-09 16:41:26 · 440 阅读 · 0 评论 -
【论文阅读】23_SIGIR_Disentangled Contrastive Collaborative Filtering(分离对比协同过滤)
【论文阅读】23_SIGIR_Disentangled Contrastive Collaborative Filtering(分离对比协同过滤)原创 2023-05-24 17:05:02 · 1458 阅读 · 0 评论 -
【推荐系统】常用评价指标NDCG、HR、Recall、MRR解析
【推荐系统】常用评价指标NDCG、HR、Recall、MRR解析原创 2023-05-09 15:54:38 · 3169 阅读 · 0 评论 -
【论文阅读—推荐系统】LIGHTGCL: SIMPLE YET EFFECTIVE GRAPH CONTRASTIVE LEARNING FOR RECOMMENDATION
# 【论文阅读—推荐系统】LIGHTGCL: SIMPLE YET EFFECTIVE GRAPH CONTRASTIVE LEARNING FOR RECOMMENDATION原创 2023-05-08 16:01:54 · 328 阅读 · 1 评论 -
【论文阅读_序列推荐】Intent Contrastive Learning for Sequential Recommendation
【论文阅读_序列推荐】Intent Contrastive Learning for Sequential Recommendation原创 2023-04-17 18:26:53 · 963 阅读 · 0 评论 -
【推荐系统与图神经网络相结合】图表示学习在协同过滤推荐系统上的应用
图表示学习在协同过滤推荐系统上的应用原创 2023-02-09 22:26:12 · 2266 阅读 · 0 评论 -
工业界推荐_Industrial RS(5)
Industrial RSMeituanHongwei et al. Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems. KDD, 2019.知识图谱能够捕获实体或item之间的关系,缓解稀疏性,改善推荐系统的性能。以往利用知识图谱做推荐大多依靠特征工程,本文提出了具有标签平滑正则化的知识感知图神经网络。 首先利用一个可训练的函数计算item embedd原创 2022-03-19 19:15:52 · 4908 阅读 · 0 评论 -
工业界推荐_Industrial RS(4)
Industrial RSHuaweiHuifeng et al. DeepFM: A Factorization-Machine based Neural Network for CTR Prediction. IJCAI, 2017.DeepFM是一个集成了FM和DNN的神经网络框架,思路和Google的Wide&Deep相似,都包括wide和deep两部分。W&D模型的wide部分是广义线性模型,DeepFM的wide部分则是FM模型,两者的deep部分都是深度神经网络。Deep原创 2022-03-19 19:15:06 · 1784 阅读 · 0 评论 -
工业界推荐_Industrial RS(3)
Industrial RSBaiduXiangyu et al. Whole-Chain Recommendations. CIKM, 2020.随着强化学习(RL)的流行,基于强化学习(RL)的推荐系统得到了广泛的关注。在实际的推荐会话中,用户将依次访问多个场景,如入口页面和项目详情页面,每个场景都有其特定的特征。然而,大多数现有的基于rl的推荐系统都专注于为所有场景优化一个策略,或者快速地优化每个策略,这可能会导致整体性能不佳。本文研究了多(连续)场景下的推荐问题,即全链推荐问题。我们提出了一种基原创 2022-03-19 19:14:16 · 2448 阅读 · 0 评论 -
工业界推荐_Industrial RS(2)
Industrial RSAlibabaWentao et al. Representation Learning-Assisted Click-Through Rate Prediction. arXiv, 2019.整个模型包括三个部分matching subnet用来匹配user-ad之间的关系,论文中说就是一个ad是否匹配一个用户的兴趣correlation subnet用来探索ad-ad之间的关系,主要处理的是在用户点击历史的windows中的ads的关系prediction s原创 2022-03-19 19:12:24 · 1807 阅读 · 0 评论 -
工业界推荐_Industrial RS(1)
Industrial RSAirbnbMihajlo et al. Real-time Personalization using Embeddings for Search Ranking at Airbnb. KDD.2018.这是一篇KDD2018的Best Paper,应该是在应用方面的最佳论文而不是创新方面的最佳论文,因为该论文本质上没有做出多大的创新,利用的核心技术是skip-gram model(word2vec),你会发现其实是一回事。但这是一篇实践性很强的文章,非常适合相关领域的算法原创 2022-03-19 19:10:38 · 4960 阅读 · 0 评论