![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
文章平均质量分 85
HenrySmale
张恒汝,博士,西南石油大学教授,硕士生导师,机器学习研究中心副主任,四川省学术和技术带头人后备人选,四川省通信管理局工业互联网领域入库专家,教育部产学合作协同育人项目入库专家,CCF、ACM会员,CAAI粒计算与知识发现专委会委员。
展开
-
推荐系统的三个方面
推荐系统面临的问题主要有:冷启动问题、样本分布不平衡问题(有些用户交互得多,有些用户交互得少)、隐私保护问题、可解释性问题(是因为什么喜欢或者说因为哪一个方面喜欢)原创 2024-01-25 17:11:02 · 397 阅读 · 0 评论 -
论文笔记:Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning
论文笔记:Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning原创 2023-04-17 11:44:43 · 235 阅读 · 1 评论 -
论文笔记:Recommendation via Collaborative Diffusion Generative Model
论文笔记:Recommendation via Collaborative Diffusion Generative Model原创 2023-04-03 17:30:11 · 520 阅读 · 6 评论 -
Selection bias mitigation in recommender system using uninteresting items学习笔记
Selection bias mitigation in recommender system using uninteresting items学习笔记原创 2023-02-17 18:17:38 · 434 阅读 · 0 评论 -
“Told You I Didn’t Like It”: Exploiting Uninteresting Items for Effective Collaborative Filtering笔记
“Told You I Didn’t Like It”: Exploiting Uninteresting Items for Effective Collaborative Filtering笔记原创 2023-02-17 11:56:31 · 95 阅读 · 0 评论 -
MAGNN论文笔记
MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding (WWW 2020)论文笔记原创 2023-02-08 22:13:48 · 440 阅读 · 0 评论 -
知识图谱嵌入(Knowledge Graph Embedding)
知识图谱嵌入原创 2023-02-08 11:42:19 · 491 阅读 · 0 评论 -
Causal Intervention for Leveraging Popularity Bias in Recommendation论文笔记
Causal Intervention for Leveraging Popularity Bias in Recommendation论文笔记原创 2023-01-31 11:54:55 · 582 阅读 · 1 评论 -
Graph Neural Networks for Social Recommendation学习笔记
Graph Neural Networks for Social Recommendation学习笔记原创 2022-12-14 18:03:09 · 609 阅读 · 0 评论 -
Bias and Debias in Recommender System: A Survey and Future Directions学习笔记
Bias and Debias in Recommender System: A Survey and Future Directions学习笔记原创 2022-11-04 10:53:11 · 540 阅读 · 0 评论 -
SMALE实验室论文成果:推荐系统CSDN源码
SMALE实验室论文成果:推荐系统CSDN源码原创 2022-11-02 10:01:24 · 437 阅读 · 0 评论 -
S-MBRec学习笔记-徐老师重新整理
S-MBRec学习笔记-徐老师重新整理原创 2022-10-31 09:57:04 · 575 阅读 · 2 评论 -
S-MBRec学习笔记
S-MBRec学习笔记原创 2022-10-25 09:23:11 · 745 阅读 · 7 评论 -
FeSoG论文笔记
Federated Social Recommendation with Graph Neural Network论文学习笔记原创 2022-10-20 10:59:20 · 984 阅读 · 2 评论 -
论文笔记:推荐系统去偏(Debiased Recommendation)研究综述
推荐系统无偏研究综述转载 2022-10-14 21:28:42 · 935 阅读 · 3 评论 -
RCF学习笔记
RCF学习笔记原创 2022-10-10 10:04:06 · 920 阅读 · 0 评论 -
序列推荐系统文献调研(1)
1 简介论文:用于统一一般推荐和序列推荐的循环协同过滤Recurrent Collaborative Filtering for Unifying General and Sequential Recommender出版:Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence (IJCAI-18)作者:Disheng Dong1^11, Xiaolin Zheng1∗^{1原创 2022-02-17 16:09:45 · 300 阅读 · 0 评论 -
推荐系统--安全联邦矩阵分解(7)
相关论文:Secure Federated Matrix Factorization1 摘要为了保护用户隐私和满足法律法规,联邦(机器)学习近年来获得了广泛的关注。 联邦学习的关键原则是在不需要知道每个用户的个人原始隐私数据的情况下训练机器学习模型。 在本文中,我们提出了联邦学习设置下的安全矩阵分解框架,称为 FedMF。 首先,我们设计了一个用户级分布式矩阵分解框架,当每个用户仅将梯度信息(而不是原始偏好数据)上传到服务器时,可以学习模型。 虽然梯度信息看起来很安全,但我们证明它仍然可能泄露用户的原原创 2021-12-18 09:44:53 · 2894 阅读 · 0 评论 -
推荐系统--联邦学习下的矩阵分解(6)
9 联邦学习10 应用于联邦学习的矩阵分解原创 2021-12-15 15:38:25 · 1348 阅读 · 0 评论 -
推荐系统--矩阵分解(5)
推荐系统–矩阵分解(1)推荐系统–矩阵分解(2)推荐系统–矩阵分解(3)推荐系统–矩阵分解(4)8 基于隐式反馈的矩阵分解原创 2021-12-14 15:13:23 · 631 阅读 · 0 评论 -
推荐系统--矩阵分解(3)
3 TimeSVD分时间段学习参数,某个时间段的参数使用该时间段数据进行学习,也即是加入时间权重。r^ui=μ+bu(t)+bi(t)+qiTpu(t)\hat{r}_{u i}=\mu+b_{u}(t)+b_{i}(t)+q_{i}^{T} p_{u}(t)r^ui=μ+bu(t)+bi(t)+qiTpu(t)符号说明:????????(????)????_????(????)bu(t)、????????(????)????_????(????)bi(t) :分别是用户和物品偏置随着原创 2021-12-13 21:01:40 · 397 阅读 · 0 评论 -
推荐系统--矩阵分解(4)
2 基于情感分析的矩阵分解2.1 引入【摘要】推荐系统旨在基于丰富的信息预测用户的偏好,例如用户评分、人口统计和评论。 尽管评论比评级更稀疏,但它们提供了有关用户真实偏好的更详细和可靠的信息。 目前,评论通常用于提高推荐系统的可解释性。 在本文中,我们提出了基于情感的具有可靠性的矩阵分解(SBMF+R)算法来利用评论进行预测。 首先,我们开发了一种情感分析方法,使用一种新的基于星的字典构建技术来获得情感分数。 其次,我们设计了一个结合用户一致性和评论反馈的用户可靠性度量。 第三,我们将用户评分、评论和反原创 2021-12-13 20:03:09 · 1277 阅读 · 0 评论 -
推荐系统--矩阵分解(2)
1.2 BiasSVD:考虑偏置有一些用户会给出偏高的评分,有一些物品也会收到偏高的评分,比如电影观众为铁粉,一些受某时期某事件影响的电影。所以需要考虑偏置对评分的影响,其公式如下:L(θ)=argmin⏟pu,qi∑u,i(rui−μ−bu−bi−puTqi)2+λ(∥pu∥22+∥qi∥22+∥bu∥22+∥bi∥22)(4)\begin{aligned}L(\theta)=\underbrace{\arg \min }_{p_{u}, q_{i}} \sum_{u, i}\left(r_{原创 2021-12-13 19:57:17 · 1415 阅读 · 0 评论 -
推荐系统--矩阵分解(1)
1 常规矩阵分解2 基于情感分析的矩阵分解L(θ)=∑i,jIij[(Rij−UiTVj)2]+∑i,jIij[(Sij−UiTVj)2)]+λU∥U∥F2+λV∥V∥F2\left.L(\theta)=\sum_{i, j} I_{i j}\left[\left(R_{i j}-U_{i}^{T} V_{j}\right)^{2}\right]+\sum_{i, j} I_{i j}\left[\left(S_{i j}-U_{i}^{T} V_{j}\right)^{2}\right)\righ原创 2021-11-28 21:21:13 · 1683 阅读 · 0 评论 -
Fast Matrix Factorization for Online Recommendation with Implicit Feedback论文代码分析
1 数据结构userCount:用户数itemCount:项目数user_ratings:ArrayList<ArrayList>,问:此处为什么要用二维数组?答:第1维是用户,第2维是用户对所有项目的评分。testRatings:ArrayList问:此处为什么只用一维数组?答:个人认为这个处理有问题,因为每个用户有1-2个评分作为测试集,如果用一维数组,则数组的下标就不能和用户id(userId)一一对应。2 读取评分:ReadRatings_HoldOneOut步骤如下原创 2021-11-25 12:03:33 · 550 阅读 · 0 评论 -
k近邻推荐用到的各种距离
1 k-近邻推荐原理2 各种距离2.1 欧几里得距离d12=(x21−x22)2+(y21−y22)2d_{12} = \sqrt{(x_{21} - x_{22})^2 + (y_{21} - y_{22})^2}d12=(x21−x22)2+(y21−y22)22.2 曼哈顿距离在曼哈顿街区要从一个十字路口开车到另一个十字路口,驾驶距离显然不是两点间的直线距离。这个实际驾驶距离就是“曼哈顿距离”。 曼哈顿距离也称为“城市街区距离”(City Block distance)。原创 2021-11-24 15:56:16 · 949 阅读 · 0 评论 -
推荐系统国内外团队介绍
何向男团队http://staff.ustc.edu.cn/~hexn/原创 2021-09-29 16:23:52 · 274 阅读 · 0 评论 -
推荐系统:猜你喜欢
网络的迅速发展带来了信息量的大幅增长,使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息,对信息的使用效率反而降低了,导致信息超载(information overload)问题。解决信息超载问题一个非常有潜力的办法是推荐系统,它是根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户的个性化系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好,进行个性化计算,由系统发现用户的兴趣点,从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务,还能和用户之间建立密切关原创 2021-09-25 10:43:13 · 381 阅读 · 0 评论 -
推荐系统最新研究进展
算法相关的综述Deep Learning Based Recommender System: A Survey and New PerspectivesThe recommender system: a surveyBias and debias in recommender system: A survey and future directionsDeep learning on knowledge graph for recommender system: A surveyA review原创 2021-09-15 11:36:55 · 241 阅读 · 0 评论 -
推荐系统: 数据、问题与算法
数据推荐系统包括一些基础数据与附加信息.基础数据令用户数量为 n, 产品数量为 m mm. 基础数据为一个二维表 R = ( r i j ) n × m \mathbf{R} = (r_{ij})_{n \times m}R=(rij )n×m . 分两种情况讨论:转载 2021-07-16 11:42:12 · 668 阅读 · 0 评论 -
推荐系统相关科技论文写作建议
科技论文写作规范如何写标题(1)用一句话概括你所做的工作;(2)字数忌长(尽可能不要超过20字);(3)考虑搜索引擎的影响,包含关键词。例子1:Enhancing slope one recommendation through local information embedding (目的:enhance the performance of an existing algorithm;技术:local information embedding)例子2:Sentiment based m原创 2021-06-29 11:46:00 · 603 阅读 · 0 评论