调研
文章平均质量分 87
八宝袋
同程旅行/一个研究推荐系统的Java开发/24校招
展开
-
REASONER: An Explainable Recommendation Dataset with Multi-aspect Real User Labeled Ground Truths阅读
【背景】可解释推荐已经引起了业界和学术界的广泛关注。它在提高推荐说服力、信息量和用户满意度方面显示出巨大的潜力。尽管在过去几年中提出了许多有前途的可解释推荐模型,但这些模型的评估策略存在一些局限性。【动机】解释的基本事实没有被真实用户标记,解释大多仅基于一个方面进行评估,评估策略难以统一。【方法】构建一个可解释的推荐数据集。首先,开发了一个视频推荐平台,精心设计了一系列围绕推荐可解释性的问题。然后,我们招募了大约 3000 名不同背景的用户来使用该系统,并收集他们的行为和对我们问题的反馈。原创 2023-05-30 14:53:16 · 125 阅读 · 0 评论 -
Demographic Prediction. 人口统计预测相关调研
由于电影数据集的稀疏性,以及用户观看数量的不均匀,比如有的用户看了上百部电影,有的用户只看了20部,这就造成了用户向量中非零元素分布不均匀,为了减少用户向量的非零元素个数,作者提出了两个点,分别是“Which”和“What”,即:在哪个位置补充评分,和补充值为多少的评分。(1)TOP_S:物理意义就是选取矩阵分解评分预测结果最大的n个电影的下标,至于这个n是多少,就用下标的平方和的二次根来决定,让D的二范数等于S,这里作者也没说原因,我的猜测是尽量选取下标靠前的电影。作者说的逻辑回归的系数?原创 2022-10-23 21:23:49 · 816 阅读 · 1 评论 -
User-controllable Recommendation Against Filter Bubbles 阅读笔记
推荐系统通常面临filter bubbles的问题:基于用户特征和历史交互过度推荐同类项目。过滤气泡会沿着反馈循环增长,并在不经意间缩小用户兴趣。现有的工作通常通过结合除准确性之外的目标(例如多样性和公平性)来减轻过滤器泡沫。但是,它们通常会牺牲准确性,损害模型保真度和用户体验。更糟糕的是,用户不得不被动地接受推荐策略,并以低效且高延迟的方式影响系统,例如,不断提供反馈(例如,喜欢和不喜欢),直到系统识别出用户意图。【补充】关于。......原创 2022-08-05 23:35:23 · 549 阅读 · 0 评论 -
CFFNN: Cross Feature Fusion Neural Network for Collaborative Filtering 阅读笔记
U,I,Y∈RM×N用户、项目、交互集合,M和N分别是用户、项目的总数.原创 2022-07-28 11:00:35 · 208 阅读 · 0 评论 -
AutoField: Automating Feature Selection in Deep Recommender Systems 阅读笔记
特征质量对推荐性能有重要影响。因此,特征选择是开发基于深度学习的推荐系统的关键过程。然而,大多数现有的深度推荐系统都专注于设计复杂的神经网络,而忽略了特征选择过程。通常,他们只是将所有可能的特征输入到他们提出的深度架构中,或者由人类专家手动选择重要特征。前者导致非平凡的嵌入参数和额外的推理时间,而后者需要大量的专家知识和人力。在这项工作中,我们提出了一个AutoML框架,该框架可以以自动方式自适应地选择基本特征字段。具体来说,我们首先设计了一个可微控制器网络,它能够自动调整选择特定特征场的概率;......原创 2022-07-17 08:31:07 · 2379 阅读 · 2 评论 -
Disentangling Long and Short-Term Interests for Recommendation阅读笔记
WWW’ 22的文章对用户的长期兴趣和短期兴趣进行建模是准确推荐的关键。然而,由于没有用户兴趣的人工标注,现有的方法总是遵循这两个方面纠缠在一起的范式,这可能会导致推荐准确率和可解释性较差。为了解决这一问题,我们提出了一个对比学习框架,以区分长期和短期利益的推荐(CLSR)和自我监督。具体地说,我们首先提出了两个独立的编码器来独立地捕获不同时间尺度的用户兴趣。然后,我们从交互序列中提取长期和短期兴趣代理,作为用户兴趣的伪标签。然后设计成对对比任务来监督兴趣表示与其对应的兴趣代理之间的相似性。最后,由于长期兴原创 2022-07-01 18:31:36 · 858 阅读 · 0 评论 -
SASRec: Self-Attentive Sequential Recommendation阅读笔记
Self-Attentive Sequential Recommendation2018年的经典文章时序动态是许多现代推荐系统的一个关键特征,它们试图根据用户最近执行的操作来捕捉用户活动的“背景”。为了捕捉这种模式,出现了两种方法:马尔可夫链(MC)和递归神经网络(RNN)。马尔科夫链假设用户的下一个动作可以根据他们的最后(或最后几个)动作来预测,而RNN原则上允许发现更长期的语义。一般而言,基于MC的方法在模型简约性至关重要的极稀疏数据集中执行得最好,而RNN在较密集的数据集中执行得更好,因为较高的模型原创 2022-06-30 23:03:09 · 1118 阅读 · 0 评论 -
BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer阅读笔记
BERTRec (arxiv)一篇2019的文章,浅读一下从用户的历史行为中对其动态偏好进行建模,对于推荐系统来说是具有挑战性的,也是至关重要的。以前的方法采用顺序神经网络将用户的历史交互行为从左到右编码为隐性表征,以便进行推荐。尽管它们很有效,但我们认为这种从左到右的单向模型是次优的,因为其局限性包括:a)单向架构限制了用户行为序列中隐藏表征的能力;b)它们通常假设一个严格的顺序,这并不总是实用的。为了解决这些局限性,我们提出了一个名为BERT4Rec的顺序推荐模型,它采用了深度双向自我关注来模拟用户行原创 2022-06-28 20:00:25 · 302 阅读 · 0 评论 -
语音增强、去噪文献调研
语音增强paper1:简介论文 (期刊和发表时间)Speech Enhancement Using a- Minimum Mean- Square Error Short-Time Spectral Amplitude Estimator (IEEE Transactions on acoustics, speech, and signal processing-1984)论文链接https://ieeexplore.ieee.org/abstract/document/1164453主要 i原创 2021-09-17 22:29:11 · 787 阅读 · 0 评论 -
Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement调研报告
简介论文 (期刊和发表时间)Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement (CVPR 会议 2020)论文链接https://openaccess.thecvf.com/content_CVPR_2020/html/Guo_Zero-Reference_Deep_Curve_Estimation_for_Low-Light_Image_Enhancement_CVPR_2020_paper.html源代码原创 2021-08-01 16:47:05 · 537 阅读 · 0 评论