×
亚历克桑德拉·布拉什尼科娃；尤里·马克西莫夫；玛丽安·克劳塞尔；夏洛特·拉克劳；弗兰克·尤策勒；马西·雷扎·阿米尼

学习无推荐项和首选项序列，以获得可靠的推荐。 （英语） Zbl 1519.68268号

J.阿蒂夫。智力。研究（JAIR） 71, 121-142 (2021).
摘要：在本文中，我们提出了一种基于隐式反馈（主要以点击的形式）的大规模推荐系统（RS）训练的理论支持序列策略。所提出的方法包括最小化由一系列非点击项和每个用户点击项组成的连续项块的成对排序损失。我们提出了该策略的两种变体，其中模型参数使用动量方法或基于梯度的方法进行更新。为了防止更新某些目标项目的异常高点击次数的参数（主要是由于机器人程序），我们为每个用户引入了更新次数的上限和下限。这些阈值是根据训练集中块数的分布来估计的。它们通过改变向用户显示的项目的分布来影响RS的决策。此外，我们对这两种算法进行了收敛性分析，并在六个大规模集合中证明了它们在各种排名措施和计算时间方面的实际效率。

MSC公司：

68层35 人工智能语言和软件系统理论（基于知识的系统、专家系统等）
68T05型 人工智能中的学习和自适应系统

软件：

轻型GCN；电影镜头；TensorFlow公司；单词2vec
PDF格式BibTeX公司 XML格式引用
\textit{A.Burashnikova}等人，J.Artif。智力。研究（JAIR）71，121--142（2021；Zbl 1519.68268）
全文： 内政部 arXiv公司

参考文献：

[1] Abadi，M.、Barham，P.、Chen，J.、Cheng，Z.、Davis，A.、Dean，J.，Devin，M.，Ghemawat，S.、Irving，G.和Isard，M.（2016年）。Tensorflow：用于大规模机器学习的系统。第12年{USENIX}研讨会论操作系统的设计与实现({OSDI}16)，第265-283页。
[2] Bennett，J.和Lanning，S.（2007a）。网飞奖。KDD Cup和Workshop会议记录。
[3] Bennett，J.和Lanning，S.（2007b）。Netflix奖。2007年ACM SIGKDD杯和研讨会。
[4] Burashnikova，A.、Maximov，Y.和Amini，M.-R.（2019年）。鲁棒大尺度推荐系统中基于内隐反馈的序列学习。欧洲机器学习与数据库知识发现原理与实践会议（ECML-PKDD）。
[5] Donkers，T.、Loepp，B.和Ziegler，J.（2017年）。基于用户的递归神经网络推荐。第十一届ACM推荐系统会议记录，第152-160页。
[6] Fang，H.、Zhang，D.、Shu，Y.和Guo，G.（2020年）。顺序推荐的深度学习：算法、影响因素和评估。ACM期刊ACM信息系统交易，39（1）。
[7] Grbovic，M.，Radosavljevic，V.，Djuric，N.，Bhamidipati，N.、Savla，J.、Bhagwan，V.和Sharp，D.（2015）。收件箱中的电子商务：大规模的产品推荐。《SIGKDD会议录》，第1809-1818页。
[8] Harper，F.M.和Konstan，J.A.（2015）。movielens数据集：历史和背景。《ACM交互智能系统汇刊》，第1-19页。
[9] He，R.和McAuley，J.（2016）。将相似性模型与马尔可夫链相结合，实现稀疏序列推荐。在IEEE第16届国际数据挖掘会议（ICDM）上，第191-200页。
[10] He，X.、Deng，K.、Wang，X.，Li，Y.、Zhang，Y.和Wang，M.（2020年）。LightGCN：简化和增强图形卷积网络的推荐功能。第43届国际ACM SIGIR信息检索研究与开发会议论文集，SIGIR，第639-648页。
[11] He，X.，Zhang，H.，Kan，M.-Y.和Chua，T.-S.（2016）。在线推荐的快速矩阵分解和隐式反馈。第39届国际ACM SIGIR信息检索研究与开发会议论文集，549-558页。
[12] Hidasi，B.和Karatzoglou，A.（2018年）。基于会话的推荐具有top-k增益的递归神经网络。第27届ACM信息和知识管理国际会议（CIKM）会议记录，第843-852页。
[13] Hidasi，B.、Karatzoglou，A.、Baltrunas，L.和Tikk，D.（2016）。基于会话的推荐和递归神经网络。在第四届国际学习代表大会上。
[14] Hu，Y.、Koren，Y.和Volinsky，C.（2008年）。隐式反馈数据集的协作过滤。在IEEE国际数据挖掘会议（ICDM）上，第263-272页。
[15] Kang，W.和McAuley，J.（2018）。自我关注的顺序推荐。国际数据挖掘会议，ICDM，197-206页。
[16] Karimi，H.、Nutini，J.和Schmidt，M.（2016）。在polyak-lojasiewicz条件下梯度和近似粒度方法的线性收敛性。欧洲机器学习和数据库知识发现联合会议，第795-811页。斯普林格。
[17] Kaur，P.和Goel，S.（2016）。推荐系统中的Shilling攻击模型。2016年国际发明计算技术会议（ICICT）。
[18] Koren，Y.（2008）。因式分解满足邻域：一个多方面的协同过滤模型。第14届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第426-434页。
[19] Koren，Y.、Bell，R.和Volinsky，C.（2009年）。推荐系统的矩阵分解技术。《IEEE计算机杂志》，第30-37页。
[20] Lan，G.（2020年）。机器学习的一阶和随机优化方法。斯普林格·Zbl 1442.68003号
[21] Liu，C.-L.和Wu，X.-W.（2016）。具有紧凑型潜在因素模型的大规模推荐系统。在专家系统和应用中，第467-475页。
[22] Lojasiewicz，S.（1963年）。Une propri’et’e拓扑des sous-ensemples分析鳗鱼。国家科学研究中心出版。´ ·Zbl 0234.57007号
[23] Mikolov，T.、Chen，K.、Corrado，G.和Dean，J.（2013）。向量空间中单词表示的有效估计。在第一届国际学习代表大会（ICLR）上。
[24] Moling，O.、Baltrunas，L.和Ricci，F.（2012）。具有显性和隐性反馈的最佳广播频道建议。第六届ACM推荐系统会议记录，第75-82页。
[25] Moura，S.、Asarbaev，A.、Amini，M.-R.和Maximov，Y.（2018年）。具有内隐反馈的异构二元多任务学习。神经信息处理国际会议，第660-672页。斯普林格。
[26] Nesterov，Y.（1983年）。一种求解收敛速度为o（kˆ2）的凸规划问题的方法。Doklady Akademi Nauk，269（3）：543-547。
[27] Nesterov，Y.（2018）。凸优化讲座，第137卷。斯普林格·Zbl 1427.90003号
[28] Outbrain Inc.（2016年）。出站点击预测。恢复来自https://www.kaggle。com/c/outbrain-click-prediction。
[29] Pan，R.，Zhou，Y.，Cao，B.，Liu，N.N.，Lukose，R.、Scholz，M.和Yang，Q.（2008）。一级协同过滤。第八届IEEE数据挖掘国际会议（ICDM），第502-511页。
[30] Pazzani，M.J.和Billsus，D.（2007年）。基于内容的推荐系统。《自适应网络：网络个性化的方法和策略》，第325-341页。斯普林格。
[31] Polyak，B.T.（1963年）。最小化泛函的梯度方法。Zhurnal Vychislitel’noi Matematiki i Matematicheskoi Fiziki，3（4）：643-653·Zbl 0196.47701号
[32] 波利亚克，B.T.（1964年）。加速迭代法收敛的一些方法。苏联计算数学和数学物理，4（5）：1-17·Zbl 0147.35301号
[33] Rendle，S.、Freudenthaler，C.、Gantner，Z.和Schmidt-Thieme，L.（2009年）。BPR：基于隐含反馈的贝叶斯个性化排名。《第25届人工智能不确定性会议论文集》，第452-461页。
[34] Schutze，H.、Manning，C.D.和Raghavan，P.（2008）。信息检索导论。剑桥大学出版社·Zbl 1160.68008号
[35] Shani，G.、Heckerman，D.和Brafman，R.I.（2005）。基于MDP的推荐系统。机器学习研究杂志，6（9月）：1265-1295·兹比尔1222.68406
[36] Sidana，S.、Laclau，C.和Amini，M.-R.（2017a）。KASANDR数据集。检索自https://archive.ics.uci.edu/ml/datasets/KASANDR。
[37] Sidana，S.、Laclau，C.和Amini，M.-R.（2018a）。学习推荐不同的项目，而不是对PANDOR的隐性反馈。第12届ACM推荐系统会议记录，第427-431页。
[38] Sidana，S.、Laclau，C.和Amini，M.-R.（2018b）。PANDOR数据集。检索自https://archive.ics.uci.edu/ml/datasets/PANDOR。
[39] Sidana，S.、Laclau，C.、Amini，M.-R.、Vandelle，G.和Bois-Crettez，A.（2017b）。KASANDR：一个用于推荐的具有隐式反馈的大规模数据集。《SIGIR程序集》，第1245-1248页。
[40] Sidana，S.、Trofimov，M.、Horodnytskyi，O.、Laclau，C.、Maximov，Y.和Amini，M.-R.（2021年）。推荐系统的用户偏好和嵌入学习与隐式反馈。数据挖掘和知识发现，35:1-25。
[41] Su，X.和Khoshgoftaar，T.M.（2009）。协作过滤技术综述。《人工智能进展》2009卷，第421425页。
[42] Tang，J.和Wang，K.（2018年）。通过卷积序列嵌入实现个性化top-n序列推荐。第11届ACM网络搜索和数据挖掘国际会议（WSDM）论文集，第565-573页。
[43] Tavakol，M.和Brefeld，U.（2014年）。用于检测用户会话主题的分解MDP。第八届ACM推荐系统会议记录，第33-40页。
[44] Usunier，N.、Amini，M.-R.和Gallinari，P.（2005）。为AUC绑定的数据相关泛化错误。关于机器学习中ROC分析的国际机器学习联合会研讨会。
[45] Wang，C.、Zhu，H.、Zhus，C.、Qin，C.和Xiong，H.（2020年）。Setrank：一种基于隐含反馈的协作排名的集合贝叶斯方法。在第34届AAAI人工智能会议上。
[46] Wang，S.、Cao，L.、Wang，Y.、Sheng，Q.Z.、Orgun，M.和Lian，D.（2019年）。基于会话的推荐系统调查。arXiv预印本，1902.04864。
[47] Yi，B.，Shen，X.，Liu，H.，Zhang，W.，Liw，S.，and Xiong，N.（2019年）。推荐系统的隐式反馈嵌入深度矩阵分解。《IEEE工业信息学汇刊》，第4591-4601页。
[48] Zacharov，I.、Arslanov，R.、Gunin，M.、Stefonishin，D.、Bykov，A.、Pavlov，S.、Panarin，O.、Maliutin，A.、Rykovanov，S.和Fedorov，M.（2019年）。用于数据驱动建模、机器学习和人工智能的Zhores-Petaflops超级计算机安装在斯科尔科沃科学技术学院。开放工程，9（1）:512-520。
[49] Zhang，R.，Bao，H.，Sun，H.、Wang，Y.和Liu，X.（2016）。基于排名性能优化的推荐系统。计算机科学前沿，第270-280页
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。