Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

近期必读的12篇「推荐系统」相关论文

@paperweekly 推荐

#Knowledge Graph

本文是新加坡国立大学和 eBay 发表于 AAAI 2019 的工作,论文提出了一种基于 RNN 的推荐模型,对用户和物品之间的交互特征在知识图谱中存在的关联路径进行建模,为用户提供可解释性推荐。该模型基于 LSTM 学习关联路径的表示,充分考虑了实体、关系间产生的序列依赖性,具备较强的推理能力。实验表明,本文模型在电影数据集 MI 音乐数据集 KKBox 上取得了当前最优结果。

论文链接:https://www.paperweekly.site/papers/2644

源码链接:https://github.com/eBay/KPRN

@ZSCDumin 推荐

#Knowledge Graph

本文是新加坡国立大学发表于 WWW 2019 的工作,论文提出了一个基于翻译的推荐模型,利用共同学习推荐系统知识图谱补全模型,提供推荐的解释性。作者结合了知识图谱一起训练,推理用户偏好。

论文链接:https://www.paperweekly.site/papers/2866

源码链接:https://github.com/TaoMiner/joint-kg-recommender

@paperweekly 推荐

#Explainable Recommendation

本文是新加坡国立大学发表于 WWW 2018 的工作。在推荐系统任务上,基于 embedding 的方法虽然具有良好的推荐表现,但其整体仿若一个黑盒,难以解释具体推荐原因。相反,基于决策树的推荐方法则能够从数据中进行规则推理,进而给出具体的决策原因。

本文的写作动机便是将二者的优势加以结合,提出一个全新的 Tree-enhanced Embedding 方法,既保持基于决策树方法的可解释性,又具备基于 embedding 方法的良好推荐效果,进而保证了整个推荐过程的透明、可解释性。

论文链接:https://www.paperweekly.site/papers/2548

@wwwangzhch 推荐

#Memory Networks

本文是北京大学、IBM 与佐治亚理工发表在 AAAI 2019 上的论文,作者将电子病历数据(Electronic Health Records, EHR)与药物相互反应数据(Drug-Drug Interaction, DDI)通过图卷积网络转换成 Memory Bank,并结合病人的历史病历记录生成 Dynamic Memory,动态调整损失函数以使得系统在较高精确度与较低 DDI rate 之间权衡。

在 MIMIC-III 数据集上使用雅卡尔相似系数、Average Precision、Average Recall 等多种评价指标均取得了最高的推荐准确率与极底的 DDI rate(仅次于逻辑回归)。

论文链接:https://www.paperweekly.site/papers/2651

源码链接:https://github.com/sjy1203/GAMENet

@paperweekly 推荐

#Session-based Recommendation

本文是加州大学圣地亚哥分校发表于 CIKM 2018 的工作,论文借助混合专家模型(mixtures-of-experts)和知识图谱 embeddings 的思想提出了一种全新框架,巧妙利用用户序列行为中相邻物品间的关系来解释用户在特定时间点的行为原因,进而基于用户的近期行为对其下一次行为进行预测。

论文链接:https://www.paperweekly.site/papers/2458

源码链接:https://github.com/kang205/MoHR

@paperweekly 推荐

#Deep Neural Network

本文是 Schibsted Media Group 发表于 RecSys 2018 的工作,论文关注的问题是推荐系统在二手市场上的应用。作者通过在线实验对三种基于深度神经网络的推荐模型进行了基准测试,对比它们在生产环境中的性能表现。这三种模型分别为混合项目-项目推荐器、基于序列的用户项目推荐器以及一种更高级的多臂 bandit 算法。

结果表明,在冷启动和基于序列的模型中,将协同过滤和内容特性相结合可以更好地表示项目。此外,作者还在其他推荐算法的基础上,将bandit作为更高级的再排序工具,这种方法对于利用上下文信息和组合多个业务领域的推荐系统非常有用。

论文链接:https://www.paperweekly.site/papers/2646

@paperweekly 推荐

#Social Recommendation

本文是重庆大学、亚利桑那州立大学和昆士兰大学发表于 CIKM 2018 的工作。论文提出了一种基于潜在好友关系和购买关系构建异质信息网络的方法,针对不同用户,采用动态采样方式生成用户的潜在好友。实验表明,本文方法在 Last.fm、豆瓣和 Epinions 数据集上,均达到了当前最优效果。

论文链接:https://www.paperweekly.site/papers/2469

源码链接:https://github.com/Coder-Yu/RecQ

@paperweekly 推荐

#Next-item Recommendation

本文是中科大发表于 SIGKDD 2018 的工作。现有的序列化推荐方法往往仅对消费者的短期行为特征进行分析,没有充分考虑到用户的长期偏好以及偏好的动态变化过程。

本文基于用户行为区别,提出了一个针对商品推荐任务的全新BINN(Behavior-Intensive Neural Network)模型,该模型包括一个 Item Embedding 和两个 RNN。Item Embedding 对用户产生的 item 序列运用类 Skip-gram 的模型,两个 RNN 分别用于捕获用户当前偏好和历史偏好。

论文链接:https://www.paperweekly.site/papers/2414

@paperweekly 推荐

#Rating Prediction

本文是新加坡国立大学发表于 IJCAI 2018 的工作,论文基于评论文本对用户偏好和商品特征进行抽取,提出了一种自适应注意力模型用于用户评论的智能排序,不断学习用户对商品在不同关注点方面的权重,进而提升推荐效果。

本文解决了已有方法忽视不同用户对商品不同侧面关注点不同的缺陷,并且在 Amazon Product Review 和 Yelp 2017 这两个大规模推荐系统数据库上取得了领域内最好效果。

论文链接:https://www.paperweekly.site/papers/2560

源码链接:https://github.com/hustlingchen/A3NCF

@paperweekly 推荐

#Recommender System

本文是明尼苏达大学和京东发表于 WSDM 2018 的工作。当前大多数推荐系统更注重用户和商品之间的宏观交互(如用户-商品评分矩阵),很少有人会结合用户的微观行为数据(如浏览商品的时长、对商品的阅读和评论)进行推荐。

本文从微观行为的角度对推荐系统进行改进,作者将用户的固有数据视为用户和商品之间的宏观交互,并保留了宏观交互的顺序信息,同时,每个宏观交互都包含一系列微观行为。

具体来说,论文提出了一个全新模型—RIB,它由输入层、Embedding 层(解决数据稀疏和数据高维的问题)、RNN 层(建模时序信息)、Attention 层(捕捉各种微观行为影响)和输出层组成。

论文链接:https://www.paperweekly.site/papers/2549

@ZSCDumin 推荐

#Group Recommendation

本文来自南洋理工大学。作为个体的用户和群组成员的行为是不同的,作者基于用户评级历史的深度学习技术,提出了一个注意力群体推荐模型来解决群体推荐问题,模型自动学习群组中的每个用户的影响权重并根据其成员的权重偏好为群组推荐项目。虽然基于图和概率的模型已经得到了广泛的研究,但本文是第一个将 Attention 机制应用到群体推荐中的

论文链接:https://www.paperweekly.site/papers/2561

@paperweekly 推荐

#Heterogeneous Information Networks

本文是北京大学发表于 WSDM 2018 的工作。基于异构信息网络(HIN)的推荐由于其在模拟协同过滤、内容过滤、上下文感知推荐等方面的能力而受到广泛关注。现有各类方法的关键在于如何正确设置异构信息网络中各种 link 的权重

本文提出了一种基于贝叶斯个性化排序(BPR)的机器学习方法——HeteLearn,来学习异构信息网络中的 link 权重,并将其应用于个性化推荐任务。作者在个性化推荐和标签推荐任务上对本文方法进行了测试,实验表明,本文方法表现明显优于传统的协同过滤推荐算法和当前最先进的基于 HIN 的推荐方法。

论文链接:https://www.paperweekly.site/papers/2413

PaperWeekly
PaperWeekly

推荐、解读、讨论和报道人工智能前沿论文成果的学术平台。

理论论文推荐系统RNN知识图谱深度学习异构信息网络
9
相关数据
IBM机构

是美国一家跨国科技公司及咨询公司,总部位于纽约州阿蒙克市。IBM主要客户是政府和企业。IBM生产并销售计算机硬件及软件,并且为系统架构和网络托管提供咨询服务。截止2013年,IBM已在全球拥有12个研究实验室和大量的软件开发基地。IBM虽然是一家商业公司,但在材料、化学、物理等科学领域却也有很高的成就,利用这些学术研究为基础,发明很多产品。比较有名的IBM发明的产品包括硬盘、自动柜员机、通用产品代码、SQL、关系数据库管理系统、DRAM及沃森。

https://www.ibm.com/us-en/
相关技术
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

逻辑回归技术

逻辑回归(英语:Logistic regression 或logit regression),即逻辑模型(英语:Logit model,也译作“评定模型”、“分类评定模型”)是离散选择法模型之一,属于多重变量分析范畴,是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。

权重技术

线性模型中特征的系数,或深度网络中的边。训练线性模型的目标是确定每个特征的理想权重。如果权重为 0,则相应的特征对模型来说没有任何贡献。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

协同过滤技术

协同过滤(英语:Collaborative Filtering),简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息,个人通过合作的机制给予信息相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息,回应不一定局限于特别感兴趣的,特别不感兴趣信息的纪录也相当重要。协同过滤又可分为评比(rating)或者群体过滤(social filtering)。其后成为电子商务当中很重要的一环,即根据某顾客以往的购买行为以及从具有相似购买行为的顾客群的购买行为去推荐这个顾客其“可能喜欢的品项”,也就是借由社区的喜好提供个人化的信息、商品等的推荐服务。除了推荐之外,近年来也发展出数学运算让系统自动计算喜好的强弱进而去芜存菁使得过滤的内容更有依据,也许不是百分之百完全准确,但由于加入了强弱的评比让这个概念的应用更为广泛,除了电子商务之外尚有信息检索领域、网络个人影音柜、个人书架等的应用等。

基准技术

一种简单的模型或启发法,用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

Skip-gram技术

CBOW和skip-gram是word2vec的核心概念。CBOW模型是用词的前后几个词来预测这个词,skip-gram的输入是当前词的词向量,而输出是周围词的词向量。

损失函数技术

在数学优化,统计学,计量经济学,决策理论,机器学习和计算神经科学等领域,损失函数或成本函数是将一或多个变量的一个事件或值映射为可以直观地表示某种与之相关“成本”的实数的函数。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

推荐系统技术

推荐系统(RS)主要是指应用协同智能(collaborative intelligence)做推荐的技术。推荐系统的两大主流类型是基于内容的推荐系统和协同过滤(Collaborative Filtering)。另外还有基于知识的推荐系统(包括基于本体和基于案例的推荐系统)是一类特殊的推荐系统,这类系统更加注重知识表征和推理。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

异构信息网络技术

与homogeneous同构信息网络相区别,异构信息网络的网络模式限定了对象集合以及对象间关系的类型约束。这些约束使得异构信息网络具有半结构化的特点,引导着网络语义的探究。异构信息网络可以由许多相互连接的、大规模的数据集来构造,范围涉及社会、科学、工程、商业应用等。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

京东机构

京东(股票代码:JD),中国自营式电商企业,创始人刘强东担任京东集团董事局主席兼首席执行官。旗下设有京东零售、京东物流、京东科技子集团、印尼&泰国海外合资跨境电商等核心业务。2013年正式获得虚拟运营商牌照。2014年5月在美国纳斯达克证券交易所正式挂牌上市。 2016年6月与沃尔玛达成深度战略合作。

https://www.jd.com
相关技术
推荐文章
暂无评论
暂无评论~