协同过滤
WhisperEcho101
这个作者很懒,什么都没留下…
展开
-
【论文笔记】Disentangled Graph Collaborative Filtering --- SIGIR2020
摘要从历史交互数据中学习用户、物品的表示是协同过滤中重要的一步。当前的嵌入方程利用用户-项目关系来丰富表示,从单个用户-项目实例演变为整体交互图。尽管如此,大多数的模型仍然使用统一的方式处理用户-物品之间的关系,忽略了不同用户意图对采购物品的影响,例如消磨时间、真正感兴趣、给家人买东西等。这种统一的方法对对用户进行建模容易导致次优表示(suboptimal representations),未能对不同的关系进行建模并在表示中分离用户意图。在本文中,我们特别关注在用户意图的细粒度上的用户-物品关系。我原创 2020-10-28 16:25:27 · 3962 阅读 · 2 评论 -
【论文笔记】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation --- SIGIR2020
本文提出了一种轻型但是有效的GCN网络用于推荐系统摘要GCN在协同过滤中已经变成了一个最先进的方法,但是,它有效性的理由一直没有被理解。现有的工作缺少对GCN的彻底消融分析(thorough ablation analyses),然而,我们发现两个最常见的GCNs操作(特征变化和非线性激活)对协同过滤是没有用的,甚至还会增加训练的复杂度并且降低推荐系统的表现。在本文中,我们对GCN的设计进行了简化让它更加适用于推荐系统,我们把它叫做LightGCN。它只包含GCN中最基本的结构(邻居聚合).原创 2020-10-10 19:17:09 · 9195 阅读 · 1 评论 -
【论文笔记】Neural Graph Collaborative Filtering --- SIGIR2019
本文提出了一个基于图结构的新型推荐系统模型NGCF。它通过在用户-物品图中建立高阶连通性表达模型,把协同信号显式的注入了用户(物品)的embeddings过程中。摘要学习向量表示(embeddings),用户和项目的嵌入性是现代推荐系统的核心。从最初的矩阵分解到最近出现的基于深度学习的方法,都是从先前存在的特征来表示用户(物品)的嵌入。这些方法的一个固有缺点是协同信号(collaborative signal),在用户和物品的交互中式隐藏的,在嵌入过程中没有被编码。这样,最后的嵌入可能不足够获.原创 2020-10-11 11:21:04 · 1678 阅读 · 0 评论 -
【论文笔记】Neural Collaborative Filtering --- WWW2017
摘要近几年来,神经网络已经在声音识别等领域取得了巨大的成功,然而关于推荐系统的神经网络研究却很少有人关注。在本文中,我们提出了一种新的基于神经网络的方法解决推荐系统中的关键问题--协同过滤(基于隐式反馈)。即使近几年来已经有工作把神经网络用于推荐系统,但他们主要用神经网络来建模辅助信息,但是对于用户和物品的特征交互,仍然使用矩阵分解和内积。我们提出了一个通用框架NCF,它可以从数据中学习任意函数的神经网络结构代替内积,同时利用多层感知机来学习用户-物品的交互方程。关键字协同过滤、神经网络原创 2020-10-08 16:41:17 · 684 阅读 · 0 评论