推荐系统
文章平均质量分 90
huihui12a
这个作者很懒,什么都没留下…
展开
-
Wide&Deep
当用户访问应用商店时,会生成一个查询,其中可以包含各种用户和上下文功能。推荐系统返回一个应用程序列表(也称为曝光),用户可以在上面执行某些操作,如点击或购买。这些用户操作,连同查询和query,作为训练数据记录在日志中。得分通常是P(y|x),即给定特征x的用户操作标签y的概率,包括用户特征(如国家、语言、人口统计)、上下文特征(如设备、一天中的小时、一周中的哪一天)和印象特征(如应用年龄、应用的历史统计)。原创 2024-04-20 17:50:38 · 793 阅读 · 0 评论 -
Youtube DNN
使用深度学习代替矩阵分解的优势:任意的连续和类别特征可以很容易的加到模型中。1)输入特征——输入层。原创 2024-04-19 22:27:47 · 1112 阅读 · 0 评论 -
Hierarchical attentive knowledge graph embedding for personalized recommendation
大多数现有的方法都不足以利用KG来捕获用户偏好,因为它们要么通过具有有限表达性的路径来表示用户-物品的连接,要么通过在整个KG上传播信息来隐式地建模,并带有不可避免的噪声。因为基于路径的方法的线性路径只能捕获用户-物品连接的部分语义,而用户-物品连接最初是由具有丰富语义和非线性拓扑的子图表示的。基于传播的方法不是直接表示用户-物品连接性,而是通过在整个KG上传播信息来隐式地对它们进行建模,其中用户偏好通常是通过聚合来自所有邻居的信息来学习的,会引入与目标物品无关的噪声。原创 2023-09-20 21:20:59 · 110 阅读 · 0 评论 -
Sequential Recommendation with Graph Neural Networks
在外部环境和内部认知的共同影响下,用户的核心兴趣在不断演变。通常邻接矩阵应该是非负的,但从度量中计算出的余弦相似值在[-1,1]之间,简单的规范化它不会对图的稀疏性施加任何约束,并且可以产生一个完全连接的邻接矩阵,计算复杂的大,并且可能引入噪声,即不重要的边,因为不够稀疏,导致后续的图卷积不能关注图的最相关方面。已经有可学习的兴趣图区分不同的兴趣,核心兴趣和外围兴趣分别形成大集群和小集群,不同类型的兴趣形成不同的集群,此外,为了将弱信号收集到能够准确反映用户偏好的强信号,需要在构建的图中聚合信息。原创 2023-09-15 14:42:07 · 275 阅读 · 0 评论 -
GNN动态顺序推荐Dynamic Graph Neural Networks for Sequential Recommendation
为了更新每一层的用户节点表示,需要从每个用户节点的邻居中提取两种类型的信息,分别是长期偏好和短期偏好。此时用户兴趣变化不仅受到自身交互商品(一阶交互项)变化的影响,还受到高阶连接的用户和他们交互的商品的变化的影响,随时间变化。考虑到用户序列扩展时,其邻居序列的数量在不断增加,所有用户组成的动态图的规模在逐渐扩大,会增加计算量和噪声,因此提出采样策略。(1)这些模型没有利用不同用户序列之间的协作信息,仅仅侧重于每个用户自己的序列,忽略了不同用户序列之间的高阶连通性。不同层次的用户嵌入强调了用户的不同偏好。原创 2023-09-13 20:09:24 · 545 阅读 · 0 评论 -
Conditional Graph Attention Networks for Distilling and Refining Knowledge Graphs in Recommendation
对于给定的user-item对(u,v),KAGCN的注意力依赖于知识边,和目标无关。未用GraphSAGE的对邻居节点统一采样,因为知识图通常是有噪声的,并且充满了与目标无关的信息。将user点击item作为一种关系,因为一个user会点击多个item,因此存在一对多,使用可以建模一对多的TransH,生成实体的嵌入向量。**模型既能保持全局语义相似度,又能动态生成目标特定的子图,**对知识图进行提炼和细化,从而准确推断局部用户偏好。重,这部分独立于目标,衡量的是知识关系本身对任务的重要性,令。原创 2023-07-20 21:40:45 · 284 阅读 · 1 评论 -
CKE和RippleNet阅读
CKE与RippleNet都是把KGC和推荐任务联合训练的。原创 2023-07-19 16:04:32 · 473 阅读 · 0 评论 -
DKN和KGC阅读
作者将外部知识图包含的知识融入新闻嵌入。(1)将新闻标题单词词嵌入,单词链接的实体嵌入,以及实体的上下文嵌入(邻居实体嵌入的平均)建模为CNN输入的三个通道。(2)然后使用KCNN模型,使用多个不同大小的卷积核,对输入三通道的嵌入向量做卷积运算,对每一个卷积运算结果取最大值,并将最大值结果进行拼接,获得最终的新闻嵌入向量。(3)用户的嵌入向量是用户历史点击新闻嵌入向量的加权和,权重由历史点击的新闻和候选新闻使用DNN计算得到。原创 2023-07-17 11:42:22 · 223 阅读 · 0 评论 -
KGAT: Knowledge Graph Attention Network for Recommendation
User-Item Bipartite Graph:在推荐场景中,通常有历史用户项目交互(例如,购买和点击),将交互数据表示为用户-物品二部图。Knowledge Graph:除了user-item之间的交互外,还有物品的side-information(例如,物品属性和外部知识)。通常,这些辅助数据由真实世界的实体和额外的知识组成。作者将side-information组成知识图,并有一个实体和item的对齐的集合,原创 2023-07-17 11:35:07 · 531 阅读 · 0 评论 -
《深度学习推荐系统》笔记
图中的隐层表达(Hidden Representation层)就是对不同Embedding进行加权平均操作的层,将加权平均后的Embedding向量输入softmax层,通过梯度反向传播,求得每个Embedding的权重。原创 2023-07-14 16:56:21 · 2475 阅读 · 0 评论