NeuRec：个性化排名的非线性变换

@正在进行{张2018NeuRecON，title={NeuRec:关于个性化排名的非线性变换}，author={张帅、姚丽娜、孙爱欣、王森、龙国栋、董曼青}，booktitle={国际人工智能联合会议}，年份={2018年}，网址={https://api语义scholar.org/语料库ID:13692407}}
提出了一种基于神经网络的推荐模型（NeuRec），该模型解决了用户与项目交互的复杂性问题，并建立了一个将非线性变换与潜在因素相结合的集成网络。
[PDF]语义阅读器
52引文
极具影响力的引文
6
背景引文
28
方法引文
19

本文图表

询问这篇论文
β
人工智能驱动

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

52引文

双重神经网络个性化排名

本文提出了双重神经个性化排名（DualNPR），它以统一的方式充分利用用户和项目端成对排名，并基于深度矩阵分解来捕获用户/项目表示的可变性。

可解释的神经注意推荐系统

本文提出了基于文本和上下文嵌入的神经推荐器（TCENR），该模型缓解了兴趣点（POI）推荐领域的数据稀疏性问题，并使用不同类型的深度神经网络学习相同用户-位置交互的不同观点。

神经注意力推荐系统

本文提出了基于文本和上下文嵌入的神经推荐器（TCENR），该模型缓解了兴趣点（POI）推荐领域的数据稀疏性问题，并使用不同类型的深度神经网络学习相同用户-位置交互的不同观点。

ATM：下一项推荐的专注翻译模型

本文提出了一种简单而有效的方法，称为注意翻译模型，以显式地利用高阶序列信息进行下一项推荐，该方法显著优于几种最先进的方法。

自我关注下一项建议

该模型利用自关注机制从用户的历史交互中推断出项目-项目关系，并能够估计用户交互轨迹中每个项目的相对权重，以更好地表示用户的瞬时兴趣。

嵌入面向排名的推荐系统图

有效的度量学习和用于协作建议的共现嵌入

基于会话的动态共同关注推荐网络

DCN-SR应用共同关注网络来捕获用户的长期和短期交互行为之间的动态交互，并生成用户长期和短期兴趣的共同依赖表示。

用于协同过滤的深度绘图软件广义矩阵分解

提出了一种深度感知的广义矩阵分解协同过滤模型，该模型有效地结合了评分和绘图文本来实现广义协同过滤。

属性软件深度关注推荐

本文提出了一种属性感知的深度注意推荐模型，该模型通过注意机制将属性信息嵌入到项目的潜在语义空间中，形成更准确的项目表示。
...

36参考文献

推荐系统的深层矩阵分解模型

提出了一种具有神经网络架构的新型矩阵分解模型，该模型在几个基准数据集上优于其他最先进的方法，并考虑了显式评级和隐式反馈，以实现更好的优化。

递归推荐网络

提出了递归推荐网络（RRN），该网络能够通过赋予用户和电影一个捕获动态的长短期记忆（LSTM）自回归模型，以及一个更传统的低阶因子分解，来预测未来的行为轨迹。

分解满足邻域：一个多方面的协同过滤模型

现在可以平滑地合并因子模型和邻域模型，从而构建更准确的组合模型，并根据方法在top-K推荐任务中的表现，提出了一种新的评估指标，突出了方法之间的差异。

使用推荐评论对用户和项目进行联合深度建模

一个从评论文本中联合学习项目属性和用户行为的深度模型，称为深度合作神经网络（DeepCoNN），由最后一层耦合的两个并行神经网络组成。

基于会话的递归神经网络推荐

有人认为，通过对整个会话进行建模，基于RNN的方法可以为基于会话的建议提供更准确的建议，并对经典RNN进行了一些修改，例如排名损失函数，使其更适用于此特定问题。

BPR：基于内隐反馈的贝叶斯个性化排名

本文提出了一个用于个性化排名的通用优化准则BPR-Opt，它是从问题的贝叶斯分析中导出的最大后验估计量，并提供了一个通用的学习算法来优化与B-PR-Opt相关的模型。

VBPR:基于内隐反馈的可视化贝叶斯个性化排名

本文提出了一种可扩展的因子分解模型，将视觉信号纳入人们意见的预测因子中，该模型应用于选择的大型真实数据集，并利用使用（预训练）深度网络从产品图像中提取的视觉特征。

基于记忆注意的协作排名潜在关系度量学习

定性研究表明，尽管只对隐式反馈进行了训练，但该模型能够推断和编码显式情感、时间和属性信息，从而确定了LRML揭示隐式数据集中隐藏关系结构的能力。

通过动态负面项目抽样优化top-n协同过滤

本文提出从当前预测模型产生的排名表中动态选择负训练样本，并迭代更新模型，表明该方法不仅减少了训练时间，而且显著提高了性能。

SLIM:Top-N推荐系统的稀疏线性方法

提出了一种新的稀疏线性方法（SLIM），该方法通过从用户购买/评级配置文件中聚合来生成前N个推荐，并通过求解一个`1-范数和`2-范数正则化优化问题从SLIM中学习稀疏聚合系数矩阵W。