recommendation专题

【论文】A Collaborative Transfer Learning Framework for Cross-domain Recommendation

Intro 业界常见的跨域建模方案主要分为两种范式[22][32][5][36][17][14][20]:1) 将源样本和目标样本进行联合和混合,然后执行多任务学习技术,以提高在所有域中的性能;2) 使用混合或数据丰富的源域数据预先训练模型,然后在数据不足的目标域中对其进行微调,以适应新的数据分布。在第一种方法中,通过不同类型的网络设计来学习特定域特征和域不变特征,其中域指标通常用于识别域。在微

推荐算法1-content based recommendation

由于本人从来没有真正意义接触过推荐算法,但是找工作时时不时被问到,所以为了避免完全答不出来的尴尬,就临时抱佛教,不求深究,只当了解。所以如果你是查找资料不小心点进来,估计你要失望了,不过文章应该都很短,所以可以随意浏览一下,于你就当温习之用,与我就当笔记之效。 推荐算法,先按照大的思想分为两类:content based recommendation,基于内容的推荐算法,简称CB算法;Col

Layer-refined Graph Convolutional Networks for Recommendation【ICDE2023】

Layer-refined Graph Convolutional Networks for Recommendation 论文:https://arxiv.org/abs/2207.11088 源码:https://github.com/enoche/MMRec/blob/master/README.md 摘要 基于图卷积网络(GCN)的抽象推荐模型综合了用户-项目交互图的节点信息和拓

读论文《Behavior Pattern Mining-based Multi-Behavior Recommendation》

论文地址:arxiv.org/pdf/2408.12152v1 项目地址:GitHub - rookitkitlee/BPMR 基于行为模式挖掘的多行为推荐:论文提出了一种新颖的多行为推荐算法(BPMR),旨在通过分析用户和项目之间的复杂交互模式来提高推荐系统的有效性。这种方法特别关注于用户除了购买之外的其他行为,例如页面浏览和收藏等辅助行为,这些行为可以提供更丰富的用户交互数据,帮助更准确地

【PAT】【Advanced Level】1129. Recommendation System (25)

1129. Recommendation System (25) 时间限制 400 ms 内存限制 65536 kB 代码长度限制 16000 B 判题程序 Standard 作者 CHEN, Yue Recommendation system predicts the preference that a user would gi

论文笔记:ATime-Aware Trajectory Embedding Model for Next-Location Recommendation

Knowledge and Information Systems, 2018 1 intro 1.1 背景 随着基于位置的社交网络(LBSNs),如Foursquare和Facebook Places的日益流行,大量用户签到数据变得可用 这些大量签到数据的可用性带来了许多有用的应用,以提升基于位置服务的用户体验其中一个任务是新兴的下一个位置推荐下一个位置推荐根据用户过去的签到记录,预测可能

论文阅读:《Improving Content-based and Hybrid Music Recommendation using Deep Learning》

https://blog.csdn.net/u011239443/article/details/79984751 论文地址: https://www.smcnus.org/wp-content/uploads/2013/09/deep_mr.pdf 摘要 现有的基于内容的音乐推荐系统通常采用两阶段的方法。他们首先提取传统的音频内容特征,如 Mel-frequency cepstral系

Multi-objective reinforcement learning approach for trip recommendation

Multi-objective reinforcement learning approach for trip recommendation A B S T R A C T 行程推荐是一项智能服务,为游客在陌生的城市提供个性化的行程规划。 它旨在构建一系列有序的 POI,在时间和空间限制下最大化用户的旅行体验。 将候选 POI 添加到推荐行程时,根据实时上下文捕获用户的动态偏好至关重要。

[读论文]精读Self-Attentive Sequential Recommendation

论文链接:https://arxiv.org/abs/1808.09781 其他解读文章:https://mp.weixin.qq.com/s/cRQi3FBi9OMdO7imK2Y4Ew 摘要 顺序动态是许多现代推荐系统的一个关键特征,这些系统试图根据用户最近执行的操作来捕获用户活动的“上下文”。为了捕捉这种模式,两种方法已经激增:马尔可夫链(MC)和递归神经网络(RNN)。马尔可夫链假设用

Data-efficient Fine-tuning for LLM-based Recommendation

目录 Introduction 利用大型语言模型(LLM)进行推荐最近引起了相当大的关注,其中微调在 LLM 的适应中发挥着关键作用。然而,在快速扩展的推荐数据上微调LLMs的成本限制了其实际应用。为了应对这一挑战,小样本微调提供了一种很有前途的方法,可以使LLMs快速适应新的推荐数据。我们提出了基于 LLM 的高效推荐的 数据修剪任务,旨在识别为 LLM 的 小样本微调量身定制

复现Evolutionary Preference Learning via Graph Nested GRU ODE for Session-based Recommendation的GNG-ODE

恒源云中下载FileZilla用于上传数据,新建一个站点后 填写如下信息 在主页面打开jupyterlab 里面有各种操作台 选择终端 然后进入cd /hy-tmp内部 然后cd 所需目录之下 调用作者给出的 python -u scripts/main_ode.py --dataset-dir …/datasets/tmall --gnn GATConv --solver dopri5即可运行

Interactive Path Reasoning on Graph for Conversational Recommendation阅读笔记

1.首先理解这种任务型对话推荐 1.1过程 这一类型的对话推荐相较于传统对话推荐的一个显著优势在于:directly ask users about their preferred attributes on items(traditional methods suffer from the intrinsic limitation of passively acquiring user

2.app recommendation with very sparse datasets

1.摘要 app的使用曲线呈现很高的峰态和更显著的长尾现象。即,少数最受欢迎的的app享有很高的下载量,绝大多数app所占份额极少,甚至屈指可数,具有很大的稀疏性。 主要原因有:与电影等商品相比,app开发者使用的资源具有很大的多样性且发布app的开支更小。 对稀疏集的处理,可提高降维的使用。 2.我的想法 现有的app商店多数使用以下三种方法提供app:(1)最受欢迎的app列表

坤哥笑侃跨域推荐(一) Cross-Domain Recommendation, An Embedding and Mapping Approach (IJCAI-17)

这是本人看的第一篇跨域推荐的文章,刚接触这一领域,有所错误,请多指正。 目录 跨域分类 面临挑战 模型 实验对比 总结 跨域分类 正如文章一开始说,跨域推荐是解决推荐领域数据稀疏性(sparsity)的一种方法。紧接着,文章介绍了两种跨域的方式以及缺点:     1)非对称方式,利用源领域知识降低目标领域知识的稀疏性。这时源领域的知识在目标领域充当先验或正则化项的作用(不是我

TIL: Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation

一、概述 《Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation》是一篇关于个性化推荐的论文。它提出了一种名为Triplet Importance Learning(TIL)的新型训练框架,通过调整构建的训练三元组的重要性来优化个性化排名的训练过程。同时,它还提供了两种策略来衡量用户、正向

论文笔记What does BERT know about books, movies and music Probing BERT for Conversational Recommendation

论文出发点: 现成的BERT模型在它们的参数中存储了多少关于推荐项目(电影,书籍,音乐)的知识 现象:BERT在NLP领域如此强劲的表现从侧面体现bert的参数里存储了 事实性知识 做了一系列探测实验探查BERT蕴含的两类知识: content-based:通过item的文本内容匹配item的标题(类别)collaborative-based:通过匹配相似item 通过三项任务: ML

论文阅读——A Pre-trained Sequential Recommendation Framework Popularity Dynamics for Zero-shot Transfer

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

TPGR代码详解 Large-Scale Interactive Recommendation with Tree-Structured Policy Gradient

论文阅读笔记链接 github代码链接 目录 论文内容MDP过程训练TPGR过程:采样过程 结构讲解DEBUG过程代码详解整体流程run函数1. PRE_TRAIN()init()make_graph()train()evaluate 一些问题记录参数相关 2. Tree()init()construct_tree()build_mapping()hierarchical_code()pc

Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation

Fan S, Zhu J, Han X, et al. Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation[J]. 2019. https://github.com/googlebaba/KDD2019-MEIRec Abstract 与传统的查询推荐和项目推荐不同,意图推荐是在用户打开应用程

Recommendation System Algorithms

原文:Recommendation System Algorithms 今天,许多公司使用大数据来制定超级相关的推荐系统和增长收入。 在各种推荐算法中,数据科学家需要根据业务的限制和要求选择最好的算法。 为简化此任务, Statsbot 团队准备了现有的主要推荐系统算法的概述。 Collaborative filtering 协同过滤(CF)及其改进是最常用的推荐算法之一。 即使数据科学家

Federated Unlearning for On-Device Recommendation

WSDM 2023 CCF-B Federated Unlearning for On-Device Recommendation 本文工作的主要介绍 本文主要介绍了一种名为FRU(Federated Recommendation Unlearning)的联邦学习框架,用于在设备端的推荐系统中实现用户数据的有效擦除和模型重建。FRU通过存储用户的历史更新并校准这些更新,实现了有效的用户数据擦

Learning to Embed Categorical Features without Embedding Tables for Recommendation

文章目录 总结细节实验 总结 先把feature投影到整数空间,然后把id映射成k维,每个维度1~m,然后用uniform distribution/gaussian distribution,再接DNN,加上一些tricks 细节 one-hot full emb,维度灾难 one-hot hash emb,无法避免碰撞问题 多个hash func,得到多个emb,然后再1

GRN: Generative Rerank Network for Context-wise Recommendation

总结 generator: GRU,policy gradient优化,self reward + differential reward,从粗排到精排 evaluator: bi-lstm+self-attention,交叉熵损失,对final list做rank 细节 generator 把gru当作一个policy,reward有2部分:self reward + different

google news recommendation - 基于点击行为的用户个性化新闻推荐

1 摘要 2 简介 新闻阅读,随着互联网的发展,访问方式已经从订阅纸质媒体扩展到访问数目众多的网络新闻源。新闻聚集网站如google news、yahoo news,从不同的新闻网站采集数据,并提供一个聚合的视图。对于这样的新闻服务网站来说,一个严重的问题是文章的数目对于用户来说是巨大的。因此挑战是如何帮助用户找到他们感兴趣的新闻 (听上去好有诱惑力呀)。 基于内容的推荐

群组推荐模型---AGREE(Attentive Group Recommendation)

群组推荐模型---AGREE AGREE简单概述基于注意力的群组表征学习(Attentive Group Representation Learning)NCF(Neural Collaborative Filtering) AGREE简单概述 群组推荐领域比较经典的论文便是AGREE(Attentive Group Recommendation),此文的主要贡献如下:(1)利用

Self-supervised Graph Learning for Recommendation 详解

目录 摘要 引言 预备知识 方法         3.1 图结构数据增强         3.2 对比学习         3.3 多任务学习         3.4 理论分析 摘要         基于用户-物品图的推荐表示学习已经从使用单一 ID 或交互历史发展到利用高阶邻居。这导致了图卷积网络(GCNs)在推荐方面的成功,如 PinSage 和 LightGC