- 博客(13)
- 收藏
- 关注
RSS订阅原创 DisenPOI Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation
兴趣点（POI）推荐在各种位置感知服务中发挥着至关重要的作用。据观察，POI 推荐受到顺序和地理影响的驱动。然而，由于在推荐过程中没有对主导影响进行标注，现有的方法往往将这两种影响纠缠在一起，这可能会导致推荐性能次优和可解释性差。在本文中，我们通过提出 DisenPOI 来解决上述挑战，这是一种新颖的用于 POI 推荐的解缠结双图框架，它联合利用两个独立图上的顺序关系和地理关系，并通过自我监督来解开这两种影响。与现有方法相比，我们的模型的关键新颖之处在于通过对比学习提取顺序和地理影响的解开表示。
2024-04-23 10:11:39
769
原创 论文阅读——MCN4Rec Multi-level Collaborative Neural Network for Next Location Recommendation
MCN4Rec：用于下一个位置推荐的多级协作神经网络。
2024-04-16 16:50:18
653
原创 论文阅读——Theoretically Guaranteed Bidirectional Data Rectification for Robust Sequential Recommendation
顺序推荐系统 (SRS) 通常经过训练，在给定其前面（和后续）项目作为输入的情况下，预测下一个项目作为目标。这种范例假设每个输入目标对对于训练都是可靠的。然而，可能会诱导用户点击与其真实偏好不一致的项目，从而导致不可靠的实例，即输入目标对不匹配。目前缓解这一问题的研究存在两个局限性：（i）它们根据使用不可靠数据训练的模型来区分实例可靠性，但没有理论上保证这种看似矛盾的解决方案可能是有效的；(ii)大多数方法只能处理不可靠的输入或目标，但无法同时处理两者。
2024-04-10 15:27:59
1055
1
原创 论文速读——Pay Attention to MLPs
Transformer [1] 已成为深度学习领域最重要的架构创新之一，并在过去几年中实现了许多突破。在这里，我们提出了一种简单的网络架构 gMLP，它基于带有门控的 MLP，并表明它在关键语言和视觉应用中的性能与 Transformer 一样好。我们的比较表明，自注意力对于 Vision Transformers 来说并不重要，因为 gMLP 可以达到相同的精度。对于 BERT，我们的模型在预训练复杂度上与 Transformer 相当，并且在一些下游 NLP 任务上表现更好。
2024-04-01 12:45:02
740
原创 论文阅读——SMLP4Rec An Efficient All-MLP Architecture for Sequential Recommendations
自注意力模型通过捕获用户-项目交互之间的顺序依赖关系，在顺序推荐系统中实现了最先进的性能。然而，它们依赖于向项目序列添加位置嵌入来保留顺序信息，由于这两种类型的嵌入之间的异质性，这可能会破坏项目嵌入的语义。此外，大多数现有工作假设此类依赖关系仅存在于项目嵌入中，但忽略了它们在项目特征中的存在。在我们之前的研究中，我们基于 MLP-Mixer 架构的最新进展，提出了一种新颖的顺序推荐模型，即 MLP4Rec，该模型对序列中项目的顺序自然敏感，因为矩阵元素与序列的不同位置相关在训练中会被赋予不同的权重。
2024-03-26 17:09:22
857
原创 论文阅读——CT4Rec Simple yet Effective Consistency Training for Sequential Recommendation
顺序推荐方法在尖端推荐系统中变得越来越重要。通过利用历史记录，系统可以捕获用户兴趣并相应地执行推荐。最近提出的最先进的顺序推荐模型结合了对比学习技术来获得高质量的用户表示。虽然有效且性能良好，但基于对比学习的模型需要仔细选择数据增强方法和借口任务、高效的负采样策略和大量的超参数验证。在本文中，我们提出了一种超简单的替代方案，用于获得更好的用户表示并提高顺序推荐性能。具体来说，我们提出了一种简单而有效的顺序推荐一致性训练方法（CT4Rec），其中仅使用两个额外的训练目标，而无需任何结构修改和数据增强。
2024-03-22 16:08:25
620
原创 论文速读——Debiased Contrastive Learning for Sequential Recommendation
当前的顺序推荐系统被提出来利用各种神经技术（例如 Transformer 和图神经网络（GNN））来解决动态用户偏好学习问题。然而，从高度稀疏的用户行为数据中进行推断可能会阻碍顺序模式编码的表示能力。为了解决标签短缺问题，最近提出了对比学习（CL）方法，以两种方式执行数据增强：（i）随机破坏序列数据（例如，随机屏蔽、重新排序）；(ii) 跨预定义的对比视图对齐表示。尽管有效，但我们认为当前基于 CL 的方法在解决流行偏见以及区分用户一致性和真实兴趣方面存在局限性。
2024-03-14 15:15:43
807
原创 论文速读——Filter-enhanced MLP is All You Need for Sequential Recommendation
最近，RNN、CNN和Transformer等深度神经网络已应用于顺序推荐任务，旨在从记录的用户行为数据中捕获动态偏好特征以进行准确推荐。然而，在在线平台中，记录的用户行为数据不可避免地包含噪声，深度推荐模型很容易对这些记录的数据过度拟合。为了解决这个问题，我们借鉴了信号处理中的滤波算法的思想，可以衰减频域中的噪声。在我们的实证实验中，我们发现过滤算法可以显着改进代表性的顺序推荐模型，并且将简单的过滤算法（例如带阻滤波器）与全 MLP 架构集成甚至可以优于基于 Transformer 的竞争模型。
2024-03-12 12:09:03
1052
1
原创 论文快读——Personalized Showcases Generating Multi-Modal Explanations for Recommendations
现有的解释模型仅生成推荐文本，但仍难以生成多样化的内容。在本文中，为了进一步丰富解释，我们提出了一项名为个性化展示的新任务，其中我们提供文本和视觉信息来解释我们的建议。具体来说，我们首先选择与用户对推荐项目的兴趣最相关的个性化图像集。然后，根据我们选择的图像相应地生成自然语言解释。对于这项新任务，我们从谷歌地图收集了一个大规模数据集，并构建了一个高质量的子集来生成多模态解释。我们提出了一种个性化的多模式框架，可以通过对比学习生成多样化且视觉一致的解释。
2024-03-10 23:47:56
778
原创 论文阅读——LIGHTGCL: SIMPLE YET EFFECTIVE GRAPH CONTRASTIVE LEARNING FOR RECOMMENDATION
图神经网络（GNN）是一种基于图的推荐系统的强大学习方法。最近，与对比学习相结合的 GNN 在推荐方面表现出了优异的性能，其数据增强方案旨在处理高度稀疏的数据。尽管取得了成功，大多数现有的图对比学习方法要么在用户-项目交互图上执行随机增强（例如，节点/边缘扰动），要么依赖基于启发式的增强技术（例如，用户聚类）来生成对比视图。我们认为这些方法不能很好地保留内在的语义结构，并且很容易受到噪声扰动的影响。
2024-03-02 15:00:45
1028
原创 论文阅读——MMMLP Multi-modal Multilayer Perceptron for Sequential Recommendations
用于顺序推荐的多模态多层感知器。
2024-02-28 16:23:53
756
原创 论文阅读——A Pre-trained Sequential Recommendation Framework Popularity Dynamics for Zero-shot Transfer
一个预训练的顺序推荐框架：零样本迁移的流行动态‘**摘要：**在在线应用的成功中，如电子商务、视频流媒体和社交媒体，顺序推荐系统是至关重要的。虽然模型架构不断改进，但对于每个新的应用领域，我们仍然需要从头开始训练一个新模型以获得高质量的推荐。另一方面，预训练的语言和视觉模型在零样本或少样本适应到新应用领域方面取得了巨大成功。。我们通过建模项目流行动态来学习通用项目表示。
2024-02-27 16:24:42
1110
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人