Слияние кода завершено, страница обновится автоматически
Этот репозиторий предоставляет список статей, включающий всесторонние обзоры, классические системы рекомендаций, социальные системы рекомендаций, рекомендательные системы на основе глубинного обучения, проблемы холодного старта в системах рекомендаций, хэширование для систем рекомендаций, задачи исследования и эксплуатации в рекомендациях, а также прогнозируемую частоту кликов в системах рекомендаций. Для получения более подробной информации о системах рекомендаций перейдите на ML_RSer.
[Новое!] Добавлена новая часть Метрики RS.
[Новое!] Добавлена новая часть Обзор RS.
[Новое!] Добавлена новая часть Знаниевая графика для RS.
=================================================================================
01-Обзоры: набор всесторонних обзоров по системам рекомендаций, таких как гибридные системы рекомендаций, социальные системы рекомендаций, системы рекомендаций для местоположений, рекомендательные системы на основе глубинного обучения и так далее.
02-Общие RS: набор известных статей по рекомендациям, использующих некоторые классические модели и практические теории.
03-Социальные RS: несколько статей, использующих информацию доверия/социальную информацию с целью устранения проблем с parseностью данных рейтингов.
04-Рекомендательные системы на основе глубинного обучения: набор статей по созданию рекомендательных систем с использованием методов глубинного обучения.
05-Проблема холодного старта в RS: некоторые работы, специально посвященные проблеме холодного старта, присущего колаборативному фильтрации.
06-Рекомендательные системы для местоположений: сфера помощи пользователям в открытии интересных локаций с помощью информации из социальных сетей на основе местоположений.
07-Эффективные RS: некоторые техники хэширования для рекомендательных систем с целью эффективного обучения и рекомендаций.
08-Задачи исследования и эксплуатации в RS: некоторые статьи по вопросам исследования и эксплуатации в рекомендациях.
09-Объяснимость в RS: сфера решения проблемы "почему", они не только предоставляют пользователям рекомендации, но и делают их осведомленными о причинах, почему такие товары были рекомендованы.
10-Прогнозируемая частота кликов для RS: как одна часть рекомендаций, прогнозируемая частота кликов сосредоточена на детализации множества кандидатов для рекомендаций.
11-Знаниевая графика для RS: знаниевая графика, как сторонняя информация матрицы взаимодействия поведения за последние годы, которая может эффективно решать проблему спарсности данных и холодного старта, а также обеспечивает надежное объяснение для результатов рекомендаций.
12-Обзор RS: некоторые статьи по рекомендациям на основе отзывов или текстовых данных.
13-КонVERSATIONAL RS: использование технологий естественного языка для интерактивного предоставления рекомендаций
=================================================================================
*Все статьи отсортированы по годам для удобства восприятия.
Burke et al. Гибридные системы рекомендаций: обзор и эксперименты. USER MODEL USER-ADAP, 2002.
Adomavicius et al. К следующему поколению систем рекомендаций: обзор состояния дела и возможных расширений. IEEE TKDE, 2005.
Su et al. Обзор методик коллаборативного фильтрации. Advances in artificial intelligence, 2009.
Asela et al. Обзор метрик оценки точности задач рекомендаций. J. Mach. Learn. Res, 2009.
Cacheda et al. Сравнение алгоритмов коллаборативного фильтрации: ограничения современных техник и предложения для масштабируемых, высокопроизводительных систем рекомендаций. ACM TWEB, 2011.
Zhang et al. Теговые системы рекомендаций: обзор текущего состояния. J COMPUT SCI TECHNOL, 2011.
Tang et al. Социальная рекомендация: обзор. SNAM, 2013.
Yang et al. Обзор коллаборативного фильтрации основанных социальных систем рекомендаций. COMPUT COMMUN, 2014.
Shi et al. Коллаборативное фильтрация за рамками матрицы пользователь-предмет: обзор текущего состояния и будущих вызовов. ACM COMPUT SURV, 2014.
Chen et al. Системы рекомендаций на основе пользовательских отзывов: состояние искусства. USER MODEL USER-ADAP, 2015.
Xu et al. Социальные сети и системы рекомендаций: обзор. Int.J.Social Network Mining, 2015.
Yu et al. Обзор рекомендаций местоположений в социальных сетях на основе местоположений. В Workshops at AAAI, 2015.
Efthalia et al. Параллельное и распределенное коллаборативное фильтрация: обзор. Comput. Surv., 2016.
Singhal et al. Использование глубинного обучения в современных системах рекомендаций: сводка недавних работ. arXiv, 2017.
Muhammad et al. Перекрестные домены системы рекомендаций: систематический литературный обзор. ACM Comput. Survey, 2017.
Massimo et al. Последовательностные системы рекомендаций. ACM Comput. Survey, 2018.
Zhang et al. Системы рекомендаций на основе глубинного обучения: обзор и новые перспективы. ACM Comput.Survey, 2018.
Batmaz et al. Обзор глубинного обучения для систем рекомендаций: вызовы и решения. Artificial Intelligence Review, 2018.
Zhang et al. Объяснимые системы рекомендаций: обзор и новые перспективы. arXiv, 2018.
Liu et al. Обзор методов матричной факторизации для систем рекомендаций с учетом социальной информации. Журнал программного обеспечения, 2018.* Shoujin et al. Обзор систем рекомендаций на основе сессий. arXiv, 2019.
Shoujin et al. Последовательные системы рекомендаций: вызовы, прогресс и перспективы. IJCAI, 2019.
Zhu et al. Развитие комментариев по рекомендациям с дополнительной информацией: обзор и направления исследований. Electron. Commer. Res. Appl., 2019.
Lina et al. Рекомендации в Интернете вещей: требования, вызовы и направления. IEEE Internet Comput., 2019.
Sriharsha et al. Обзор групповых систем рекомендаций. J. Intell. Inf. Syst., 2019.
Dietmar et al. Обзор беседочных систем рекомендаций. arXiv, 2020.
Qingyu et al. Обзор систем рекомендаций на основе знаниевых графиков. arXiv, 2020.
Yang et al. Глубинное обучение на знаниевых графиках для систем рекомендаций: обзор. arXiv, 2020.
Wang et al. Подходы к обучению графам для систем рекомендаций: обзор. arXiv, 2020.
Yashar et al. Адверсарное машинное обучение в системах рекомендаций — состояние искусства и вызовы. arXiv, 2020.
May et al. Системы рекомендаций для Интернета вещей: обзор. arXiv, 2020.
Goldberg et al. Использование коллаборативного фильтрации для создания информационной тканевой картины. COMMUN ACM, 1992.
Resnick et al. GroupLens: открытая архитектура для коллаборативного фильтрации новостей интернета. CSCW, 1994.
Sarwar et al. Применение метода понижения размерности в системах рекомендаций: пример исследования. 2000.
Sarwar et al. Алгоритмы коллаборативного фильтрации на основе предметов. WWW, 2001.
Linden et al. Amazon.com рекомендации: система рекомендаций на основе предметов. IEEE INTERNET COMPUT, 2003.
Lemire et al. Slope one предикторы для онлайн-рейтингового коллаборативного фильтрации. SDM, 2005.
Zhou et al. Бипартитная проекция сети и персонализированная рекомендация. Physical Review E, 2007.
Mnih et al. Вероятностное матричное разложение. NIPS, 2008.
Koren et al. Факторизация встречает соседей: многогранная модель коллаборативного фильтрации. SIGKDD, 2008.
Pan et al. Одноуровневое коллаборативное фильтрация. ICDM, 2008.
Hu et al. Коллаборативное фильтрация для наборов данных с неявной обратной связью. ICDM, 2008.
Weimer et al. Улучшение максимального маржа матричного разложения. Machine Learning, 2008.
Koren et al. Методы матричной факторизации для систем рекомендаций. Computer, 2009.
Agarwal et al. Регрессионные модели скрытых факторов. SIGKDD, 2009.
Koren et al. Bellkor решение для Netflix Grand Prize. Netflix prize documentation, 2009.
Rendle et al. BPR: Байесовская персонализированная ранжировка из неявной обратной связи. UAI, 2009.
Koren et al. Коллаборативное фильтрация с временной динамикой. COMMUN ACM, 2010.
Khoshneshin et al. Коллаборативное фильтрация через евклидову эмбеддинг. RecSys, 2010.
Liu et al. Онлайн эволюционное коллаборативное фильтрация Recsys. RecSys, 2010.
Koren et al. Факторизация соседей: масштабируемая и точная коллаборативная фильтрация. TKDD, 2010.
Chen et al. Факторная матричная факторизация на основе признаков. arXiv, 2011.
Rendle. Обучение систем рекомендаций с адаптивной регуляризацией. WSDM, 2012.
Zhong et al. Контекстуальное коллаборативное фильтрация через иерархическую матричную факторизацию. SDM, 2012.
Lee et al. Локальная низкая ранга матричная аппроксимация. ICML, 2013.
Kabbur et al. FISM: факторная модель схожести предметов для топ-N систем рекомендаций. KDD, 2013.
Johnson et al. Логистическая матричная факторизация для неявной обратной связи. NIPS Workshop, 2014.
Hu et al. Ваш сосед влияет на ваш рейтинг: о географическом соседстве и его влиянии на прогнозирование рейтингов. SIGIR, 2014.
Hernández-Lobato et al. Вероятностное матричное разложение с неслучайными данными. ICML, 2014.
Yang et al. TopicMF: одновременное использование рейтингов и отзывов для рекомендаций. AAAI, 2014.
Shi et al. Персонализированная рекомендация на основе семантического пути на взвешенных гетерогенных информационных сетях. CIKM, 2015.
Горбович и соавт. E-commerce в вашей почте: рекомендация товаров масштабируемым образом. KDD, 2015.
Баркан и соавт. Item2vec: нейронное представление элементов для коллаборативной фильтрации. Машинное обучение для сигналов и систем, 2016.
Лянг и соавт. Моделирование экспонирования пользователя при рекомендациях. WWW, 2016.
Хе и соавт. Быстрая факторизация матрицы для онлайн-рекомендаций с неявной обратной связью. SIGIR, 2016.
Чжэси и соавт. Коллаборативное метрическое обучение. WWW, 2017.
Хе и соавт. Рекомендация на основе перевода. RecSys, 2017.
Байер и соавт. Общая координатная система для обучения на основе неявной обратной связи. WWW, 2017.
Руйнинг и соавт. Рекомендация на основе перевода. RecSys, 2017.
Ражив и соавт. Факторизация машин на основе перевода для последовательной рекомендации. RecSys 2018.
Гао и соавт. BiNE: бипартитная сетевая эмбеддинга. SIGIR, 2018.
Шэнган и соавт. Противостоящее персонализированное ранжирование для рекомендаций. SIGIR, 2018.
Чжан и соавт. Метрическая факторизация: рекомендации за рамками матричной факторизации. 2018.
Леи и соавт. Спектральное коллатеральное обучение. RecSys, 2018.
Фэнг и соавт. Адверсарийское коллатеральное нейронное сети для устойчивых рекомендаций. SIGIR, 2019.
Чень и соавт. Эмбеддинг схожести для систем рекомендаций. arXiv, 2019.
Чуан и соавт. Эмбеддинг гетерогенной информации для рекомендаций. TKDE, 2019.
Хуафэнг и соавт. Глубокое генеративное ранжирование для персонализированных рекомендаций. Recsys, 2019.
Сянь и соавт. Нейронное графическое коллатеральное фильтрация. SIGIR, 2019.
Вэньцзи и соавт. Устранение шума от неявной обратной связи для рекомендаций. arXiv, 2020.
Рендле и соавт. Нейронная коллаборативная фильтрация против матричной факторизации повторно рассмотрена. arXiv, 2020.
Ма, Хао, и соавт. Sorec: социальные рекомендации с помощью вероятностной матричной факторизации. CIKM, 2008.* Жамали и соавт. TrustWalker: модель случайного блуждания для объединения рекомендаций на основе доверия и предмета. SIGKDD, 2009.
Ма и соавт. Обучение рекомендовать с отношениями доверия и недоверия. RecSys, 2009.
Ма и соавт. Обучение рекомендовать с социальным ансамблем доверия. SIGIR, 2009.
Жамали и соавт. Техника факторизации матрицы с распространением доверия для рекомендаций в социальных сетях. RecSys, 2010.
Ма, Хао, и соавт. Рекомендательные системы с регуляризацией через социальность. WSDM, 2011.
Ма, Хао, и соавт. Обучение рекомендовать с явными и неявными социальными отношениями. ACM T INTEL SYST TEC, 2011.
Ма, Хао. Экспериментальное исследование неявных социальных рекомендаций. SIGIR, 2013.
Янг и соавт. Социальное коллатеральное фильтрация через доверие. IJCAI, 2013.
Жилианг и соавт. Использование локального и глобального социального контекста для рекомендаций. IJCAI, 2013.
Чжао и соавт. Лeveraging социальные связи для улучшения персонализированного ранжирования для коллаборативной фильтрации. CIKM, 2014.
Чень и соавт. Контекстно-зависимая коллаборативная тематическая регрессия с социальной матричной факторизацией для систем рекомендаций. AAAI, 2014.
Гуо и соавт. TrustSVD: Коллатеральное фильтрация с обоими явным и неявным влиянием доверия пользователей и оценок предметов. AAAI, 2015.
Ван и соавт. Социальная рекомендация с сильными и слабыми связями. CIKM, 2016.
Жилианг и соавт. Рекомендация с социальными аспектами. AAAI, 2016.
Ли и соавт. Социальная рекомендация с использованием евклидовой эмбеддинги. IJCNN, 2017.
Чжан и соавт. Коллатеральное пользовательское сетевое эмбеддинг для социальных рекомендационных систем. SDM, 2017.
Янг и соавт. Социальное коллатеральное фильтрация через доверие. IEEE T PATTERN ANAL, 2017.
Парк и соавт. UniWalk: Объяснимая и точная рекомендация для данных рейтинга и сети. arXiv, 2017.
Рахаилидис и соавт. Обучение ранжировать с доверием и недоверием в рекомендательных системах. RecSys, 2017.
Сикси и соавт. Добавительная ко-кластеризация с социальным влиянием для рекомендаций. RecSys, 2017.
Чжао и соавт. Коллатеральное фильтрация с локальными моделями доверия. ICDM, 2017.
Ван и соавт. Коллатеральное фильтрация с социальным воздействием: модульный подход к социальным рекомендациям. AAAI, 2018.
Венци и соавт. Глубокое моделирование социальных отношений для рекомендаций. AAAI, 2018.
Сюйцин и соавт. Персонализированная защита приватности социальных рекомендаций. AAAI, 2018.
Люй и соавт. Социальная рекомендация с основным пространством предпочтений. AAAI, 2018.
Вен и соавт. Метод рекомендации на основе сетевого эмбеддинга в социальных сетях. WWW Poster, 2018.
Лин и соавт. Рекомендательные системы с характеризованной социальной регуляризацией. CIKM Short Paper, 2018.
Юй и соавт. Адаптивное имплицитное идентификация друзей через гетерогенную сеть для социальных рекомендаций. CIKM, 2018.
Хунлэй и соавт. Социальное ансамблирование коллаборативного фильтрации. PRICAI, 2018.
Венци и соавт. Графовые нейронные сети для социальных рекомендаций. WWW, 2019.
Сонг и соавт. Сессионная социальная рекомендация через динамическую графическую внимание-сети. WSDM, 2019.
Венци и соавт. Глубокое социальное коллаборативное фильтрация. RecSys, 2019.
Венци и соавт. Глубокое адверсарийское социальное рекомендация. IJCAI, 2019.
Цзтинь и соавт. Многоаспектное обучение на основе эволюции признаков для коллаборативного фильтрации с социальным доверием. IJCAI, 2019.
У и соавт. SocialGCN: Эффективная графовая конвулционная сеть для социальных рекомендаций. AAAI, 2019.
У и соавт. Двойная графовая внимательная сеть для глубокой скрытой представления многогранной социальной эффекта в рекомендательной системе. WWW, 2019.
Чжун Чен и соавт. Эффективная адаптивная трансферная нейронная сеть для социальных рекомендаций. SIGIR, 2019.
У и соавт. Нейронная модель распространения влияния для социальных рекомендаций. SIGIR, 2019.
Чжун и соавт. Социальный внимательный памятный нейронный сетевой подход: моделирование аспектов и различий уровня друзей в рекомендациях. WSDM, 2019.
Янг и соавт. Моделирование высших порядков социальных отношений для рекомендаций предметов. arXiv, 2020.
Цзюньлиань и соавт. Улучшение социальных рекомендаций с помощью адверсарийских графовых конвулционных сетей. TKDE, 2020.
Чаочао и соавт. Безопасная социальная рекомендация на основе секретного дележа. arXiv, 2020.
Салакутдинов и соавт. Ограниченные Boltzmann машины для коллаборативного фильтрации. ICML, 2007.
Аарон и соавт. Глубокое содержание-ориентированное музыкальное рекомендование. NIPS, 2013.
Хуан и соавт. Обучение глубоко структурированных семантических моделей для поиска веба используя данные клик-через. CIKM, 2013.
Ван и соавт. Глубокое коллаборативное обучение для рекомендательных систем. KDD, 2015.
Седхайн и соавт. Авторек: автоэнкодеры встречают коллаборативное фильтрацию. WWW, 2015.
Али и соавт. Многоузловой глубокий подход для кросс-доменного моделирования пользователей в системах рекомендаций. WWW, 2015.
Ли и соавт. Глубокое коллаборативное фильтрация через маргинальное деноизинг автоэнкодер. CIKM, 2015.
Руйнинг и соавт. VBPR: Визуальный байесовский персонализированный ранжирование из неявной обратной связи. AAAI, 2016.
Хидаси и соавт. Сессионное рекомендации с рекуррентными нейронными сетями. ICLR, 2016.
Ковингтон и соавт. Глубокие нейронные сети для рекомендаций YouTube. RecSys, 2016.
Чжун и соавт. Широкое и глубокое обучение для рекомендательных систем. Workshop on RecSys, 2016.* Чжэн и соавт. Адверсарийская графовая конвулционная сеть для коллаборативного фильтрации. ICML, 2016.
У и соавт. Коллатеральное деноизинг автоэнкодер для топ-n рекомендательных систем. WSDM, 2016.
Тан и соавт. Улучшенные рекуррентные нейронные сети для сессионных рекомендаций. Workshop on Deep Learning for Recommender Systems, 2016.
Канг и соавт. Визуально осведомленная мода рекомендация и дизайн с генеративными изображениями моделями. ICDM, 2017.
У и соавт. Рекуррентные рекомендательные сети. WSDM, 2017.
Льян и соавт. CCCFNet: контент-усиленная коллаборативная фильтрация нейронная сеть для кросс-доменных рекомендательных систем. WWW, 2017.
Хе и соавт. Нейронная коллаборативная фильтрация. WWW, 2017.
Чжао и соавт. Использование долгосрочной и краткосрочной информации в контент-ориентированной рекомендации фильмов. arXiv, 2017.
Ли и соавт. Глубокое коллаборативное автоэнкодер для рекомендательных систем: унифицированный подход для явной и неявной обратной связи. arXiv, 2017.
Сюэ и соавт. Глубокая матричная факторизация для рекомендательных систем. IJCAI, 2017. код.
Хе и соавт. Нейронная коллаборативная фильтрация на основе внешнего произведения. IJCAI, 2018.
Дун и соавт. CFGAN: общая коллаборативная фильтрация на основе генеративных противоборствующих сетей. CIKM, 2018.
Чжао и соавт. Обучение и трансфер ID представления в электронной коммерции. KDD, 2018.
Лианг и соавт. Вариационная автоэнкодер для коллаборативной фильтрации. WWW, 2018.
Ебесу и соавт. Коллатеральное памятьная сеть для рекомендательных систем. SIGIR, 2018.
Льян и соавт. xDeepFM: объединение явных и неявных взаимодействий признаков для рекомендательных систем. KDD, 2018.
Чжан и соавт. Рекомендация следующего элемента с самовниманием. 2018.
Ли и соавт. Обучение из прошлого и настоящего: рекомендация следующего элемента через дискриминативное использование поведения пользователей. KDD, 2018.
Гробович и соавт. Полнотекстовое персонализирование с использованием эмбеддингов для ранжирования поиска на Airbnb. KDD, 2018.
Йинг и соавт. Графовая конвулционная нейронная сеть для веб-шкальных рекомендательных систем. KDD, 2018.
Ху и соавт. Использование мета-пути для топ-n рекомендаций с нейронной ко-внимательной моделью. KDD, 2018.
Кристакопулу и соавт. Локальная скрытая пространство модель для топ-n рекомендаций. KDD, 2018.
Баагат и соавт. Покупайте снова: моделирование рекомендаций повторной покупки. KDD, 2018.
Ван и соавт. Миллиардный масштаб эмбеддинг для рекомендаций в e-commerce Alibaba. KDD, 2018.
Тран и соавт. Регуляризация матричной факторизации с использованием пользовательского и предметного эмбеддинга для рекомендаций. CIKM, 2018.
Цзоу и соавт. Микро поведение: новый подход в системах рекомендаций электронной коммерции. WSDM, 2018.
Чжэнь и соавт. Последовательные рекомендации с использованием сетей памяти пользователя. WSDM, 2018.
Бютел и соавт. Латентный Кросс: использование контекста в рекуррентных системах рекомендаций. WSDM, 2018.
Танг и соавт. Персонализированное топ-N последовательное рекомендование через конволюционное эмбеддинговое пространство. WSDM, 2018.
Чае и соавт. CFGAN: общая рамка колаборативного фильтрации на основе генеративных противостоящих сетей. CIKM, 2018.
Ву и соавт. Рекомендация на основе графовых нейронных сетей. AAAI, 2019.
Жи-Чжун и соавт. DeepCF: унифицированная рамка обучения представлений и функций совпадения в системах рекомендаций. AAAI, 2019.
Цзе-пин и соавт. Адаптивная модель пользователя с учетом долгосрочных и краткосрочных предпочтений для персонализированных рекомендаций. IJCAI, 2019.
Донг-Си и соавт. BPAM: рекомендация на основе обратного распространения нейронной сети с механизмом внимания. IJCAI, 2019.
Синь и соавт. CFM: конволюционные факторизация машина для контекстно-зависимых рекомендаций. IJCAI, 2019.
Сяо-Чжоу и соавт. Колаборативное метрическое обучение с сетью памяти для многореляционных систем рекомендаций. IJCAI, 2019.
Цзюнянг и соавт. Конволюционные Гауссовы эмбеддинги для персонализированных рекомендаций с неопределенностью. IJCAI, 2019.
Фэн-Юань и соавт. DARec: глубокое доменное адаптирование для кросс-доменного рекомендования путем передачи шаблонов рейтингов. IJCAI, 2019.
Янань и соавт. Обучение общего представления вершин в гетерогенных графах с помощью конволюционных сетей для рекомендаций. IJCAI, 2019.
Джянань и соавт. STAR-GCN: стековые и восстановленные графовые конволюционные сети для систем рекомендаций. IJCAI, 2019.
Ан и соавт. CosRec: 2D конволюционные нейронные сети для последовательных рекомендаций. CIKM, 2019.
Сун и соавт. BERT4Rec: последовательные рекомендации с использованием двустороннего кодирования представлений из трансформера. CIKM, 2019.
Хонгвей и соавт. Многоцелевое обучение признаков для рекомендаций с улучшенной знаниевой графической моделью. WWW, 2020.
Шайн и соавт. Методы и метрики для рекомендаций холодного старта. SIGIR, 2002.
Сунг-Так и соавт. Пара-преференс регрессия для рекомендаций холодного старта. RecSys, 2009.* Гантнер и соавт. Обучение атрибут-до-функции отображений для рекомендаций холодного старта. ICDM, 2010.
Седхайн и соавт. Социальная коллаборативная фильтрация для рекомендаций холодного старта. RecSys, 2014.
Чжан и соавт. Устранение проблемы холодного старта в системах рекомендаций: полу-надзорный алгоритм ко-обучения. SIGIR, 2014.
Кула. Эмбеддинги метаданных для рекомендаций холодного старта для пользователей и товаров. arXiv, 2015.
Седхайн и соавт. Низкоранговая линейная рекомендация холодного старта из социальных данных. AAAI, 2017.
Ман и соавт. Кросс-доменная рекомендация: подход на основе эмбеддинга и отображения. IJCAI, 2017.
Коэн и соавт. Ускорение исследования за счет атрибут-до-функции отображения для рекомендаций холодного старта. RecSys, 2017.
Дуредди и соавт. Обработка рекомендаций холодного старта с использованием обучения с подкреплением. arXiv, 2018.
Фу и соавт. Глубокое объединение отзывов и содержимого для пользователей холодного старта в кросс-доменных системах рекомендаций. AAAI, 2019.
Ли. От нулевых прогнозов до рекомендаций холодного старта. AAAI, 2019.
Хойеоп. Оценка персонализированных предпочтений через мета-обучение для рекомендаций холодного старта для пользователей. KDD, 2019.
Руобинг и соавт. Внутреннее и контекстное внимание для рекомендаций холодного старта в многоканальной среде. IJCAI, 2020.
Сун и соавт. LARA: Атрибут-до-функция противостоящее обучение для новых товаров. WSDM, 2020.
Лю и соавт. Мета-обучение на гетерогенных информационных сетях для рекомендаций холодного старта. KDD, 2020.
Мао и соавт. Использование географического влияния для коллаборативной рекомендации местных объектов. SIGIR, 2011.
Чжень и соавт. Фузед матрикс факторизация с географическим и социальным влиянием в локационных социальных сетях. AAAI, 2012.
Цзя и соавт. iGSLR: персонализированная геосоциальная рекомендация места: подход на основе плотности ядра. SIGSPA, 2013.
Цзя и соавт. Lore: использование последовательного влияния для рекомендаций мест. SIGSPATIAL, 2014.
Цзя и соавт. Geosoca: использование географических, социальных и категорийных корреляций для рекомендаций местных объектов. SIGIR, 2015.
Хуаю и соавт. Рекомендации местных объектов: обучение потенциальных проверок мест из друзей. KDD, 2016.
Цзинь и соавт. Категория-осознанная следующая рекомендация местных объектов через список-подобное персонализированное ранжирование. IJCAI, 2017.
Жарана и соавт. Персонализированное ранжирование с множественным выбором критериев для рекомендации заведений. CIKM, 2017.
Хуаю и соавт. Обучение внутренних и внешних интересов пользователя для рекомендаций местных объектов: унифицированный подход. IJCAI, 2017.
Фэнг и соавт. POI2Vec: географическое скрытое представление для прогнозирования будущих посетителей. AAAI, 2017.
Вей Лу и соавт. Geo-ALM: рекомендация местных объектов путем объединения географической информации и механизма противостоящей обучения. IJCAI, 2019.
Соавт. Контекстная рекомендация местных объектов. IJCAI, 2020.
Каратацглу и соавт. Коллаборативное фильтрация на бюджет. AISTAT, 2010.
Цзоу и соавт. Обучение бинарных кодов для коллаборативной фильтрации. SIGKDD, 2012.
Чжан и соавт. Преференс-сохраняющее хэширование для эффективной рекомендации. SIGIR, 2014.
Чжан и соавт. Дискретная коллаборативная фильтрация. SIGIR, 2016.
Льян и соавт. Дискретная контент-осознанная матричная факторизация. SIGKDD, 2017.
Хан и соавт. Дискретные факторизационные машины для быстрой рекомендации на основе признаков. IJCAI, 2018.
Гуйбин и соавт. Дискретная доверие-осознанная матричная факторизация для быстрой рекомендации. IJCAI, 2019.
Ченгхао и соавт. Дискретная социальная рекомендация. AAAI, 2019.
Дефу и соавт. LightRec: память и поиск-эффективная система рекомендаций. WWW, 2020.
Янг и соавт. Общий фреймворк сжатия сети для последовательных систем рекомендаций. SIGIR, 2020.
Сянган и соавт. LightGCN: упрощение и усиление графовой конволюционной сети для рекомендаций. SIGIR, 2020.
Аур и соавт. Использование границ уверенности для эксплуатации-эксплорации. JMLR, 2002.
Ли и соавт. Контекстуальный бандитский подход к персонализированному новостному рекомендации. WWW, 2010.
Ли и соавт. Эксплуатация и эксплорация в системе рекламы на основе производительности. SIGKDD, 2010.
Чапелле и соавт. Эмпирическая оценка Thompson Sampling. NIPS, 2011.
Ферауд и соавт. Случайный лес для контекстного бандита. Artificial Intelligence and Statistics. 2016.
Ли и соавт. Коллаборативное фильтрация бандитского типа. SIGIR, 2016.
Ван и соавт. Факторизация бандитских типов для интерактивной рекомендации. AAAI, 2017.
Парк и соавт. UniWalk: Объяснимая и точная рекомендация для рейтинга и сетевых данных. arXiv, 2017.
Хуан и соавт. Улучшение последовательных рекомендаций с использованием памяти сетей, усилённой знаниями. SIGIR, 2018.
Ван и соавт. TEM: дерево-усилена эмбеддинговая модель для объяснимой рекомендации. WWW, 2018.
Лю и соавт. Почему мне это нравится: многозадачное обучение для рекомендаций и объяснений. RecSys, 2018.
Ван и соавт. Объяснимое рассуждение над графами знаний для рекомендаций. AAAI, 2019.
Цао и соавт. Объединение обучения графов знаний и рекомендаций: к лучшему пониманию предпочтений пользователей. WWW, 2019.
Жунся и соавт. Ко-внимательное многозадачное обучение для объяснимой рекомендации. IJCAI, 2019.
Мин и соавт. Объяснимая рекомендация одежды: подход, основанный на семантических атрибутах региона. IJCAI, 2019.* Пейджи и соавт. Двойное обучение для объяснимой рекомендации: к единству предпочтений пользователя и генерации отзывов. WWW, 2020.
Ричардсон и соавт. Предсказание кликов — оценка клик-через-рейтинга для новых объявлений. WWW, 2007.
Штеффен и соавт. Быстрая контекстно-осознанная рекомендация с факторизационными машинами. SIGIR, 2011.
Брендан Макмахан и соавт. Предсказание кликов: взгляд из траншей. KDD, 2013.
Аарон и соавт. Глубокое содержание-основанное музыкальное рекомендование. NIPS, 2013.
Синран Хе и соавт. Практические уроки из предсказания кликов на рекламе в Facebook. ADKDD, 2014.
Йинг Шан и соавт. Глубокое пересечение — веб-шкальное моделирование без ручного создания комбинаторных признаков. KDD, 2016.
Вейнан Чжан и соавт. Глубокое обучение над многими полями категориальных данных. arXiv, 2016.
Юцин и соавт. Поле-осознанная факторизационная машина для предсказания кликов. RecSys, 2016.
Ченг и соавт. Широко и глубоко обучение для систем рекомендаций. arXiv, 2016.
Ку и соавт. Продуктовая базовая нейронная сеть для предсказания пользовательской реакции. ICDM, 2016.
Чжао и соавт. Рекуррентная рекомендательная сеть. WSDM, 2017.
Гуй и соавт. Факторизация-машина на основе нейронной сети для предсказания кликов. arXiv, 2017.
Сяо и соавт. Внимание-осознанная факторизационная машина — обучение веса взаимодействия признаков через сети внимания. arXiv, 2017.
Гуй и соавт. DeepFM: факторизация-машина на основе нейронной сети для предсказания кликов. IJCAI, 2017
Гай и соавт. Обучение кусочно-линейных моделей из больших наборов данных для предсказания кликов на рекламе. arXiv, 2017.
Хянань Хэ и соавт. Нейронные факторизационные машины для спаренных аналитических прогнозов. arXiv, 2017.
Роукси и соавт. Глубинная и кроссовая сеть для прогнозирования кликов рекламы. ADKDD, 2017
Цзуй и соавт. Глубинная сеть интересов для прогнозирования кликов. KDD 2018.
Льян и соавт. xDeepFM — объединение явных и неявных взаимодействий признаков для систем рекомендаций. arXiv, 2018.
Цзуй и соавт. Глубинная сессионная сеть интересов для прогнозирования кликов. IJCAI, 2019.
Цзуй и соавт. Глубинная эволюционная сеть интересов для прогнозирования кликов. AAAI, 2019
Янг и соавт. Операция-осознанные нейронные сети для прогнозирования ответов пользователей. 2019.
Люй и соавт. Создание признаков с помощью свёрточной нейронной сети для прогнозирования кликов. 2019.
Вентайо и соавт. Глубинная пространственно-временная нейронная сеть для прогнозирования кликов. KDD, 2019.
Чжи и соавт. Практика моделирования последовательного поведения пользователя для прогнозирования кликов. KDD, 2019.
Фучжэнг и соавт. Колаборативное вложение знаний для систем рекомендаций. KDD, 2016.
Шу и соавт. TFNet: многомерное семантическое взаимодействие признаков для прогнозирования кликов. SIGIR, 2020.
Вениан и соавт. Глубинная сеть интересов с иерархическим вниманием для прогнозирования кликов. SIGIR, 2020
Фучжэнг и соавт. Колаборативное вложение базы знаний для систем рекомендаций. KDD, 2016.
Хунвей и соавт. DKN: глубинная колаборативная сеть для новостных рекомендаций. WWW, 2018.
Хунвей и соавт. Ripplenet: распространение предпочтений пользователя на графе знаний для систем рекомендаций. CIKM, 2018.
Хунвей и соавт. Знаний-осознанная графовая нейронная сеть с регуляризацией гладкости меток для систем рекомендаций. KDD, 2019.
Хунвей и соавт. Многоцелевое обучение признаков для улучшенных рекомендаций с использованием графа знаний. WWW, 2019.
Сян и соавт. Усилена отрицательная выборка над графом знаний для рекомендаций. WWW, 2020.
Чонг и соавт. Колаборативное тематическое моделирование для рекомендации научных статей. KDD, 2011.
МакАулей и соавт. Скрытые факторы и скрытые темы: понимание размерностей рейтингов с помощью текста отзывов. RecSys, 2013.
Гуан и соавт. Рейтинги встречают отзывы: объединённый подход к рекомендациям. RecSys, 2014
Вей и соавт. Колаборативное многоуровневое обучение признаков из отзывов для прогнозирования рейтингов. IJCAI, 2016.
Ким и соавт. Сверточная матричная факторизация для контекстно-зависимых рекомендаций. RecSys, 2016.
Юньчжи и соавт. Усиленные латентные темы: понимание пользователей и товаров с помощью рейтингов и отзывов. IJCAI, 2016.
Сё и соавт. Интерпретируемая свертная нейронная сеть с двойным локальным и глобальным вниманием для прогнозирования рейтингов отзывов. RecSys, 2016.
Леи и соавт. Объединённое глубинное моделирование пользователей и товаров с помощью отзывов для рекомендаций. WSDM, 2017.
Чжийюн и соавт. A3NCF: адаптивная модель аспектного внимания для прогнозирования рейтингов. IJCAI, 2018.
Цзиньяо и соавт. ANR: нейронная система рекомендаций на основе аспектов. CIKM, 2018.
Йичао и соавт. Coevolutionary recommendation model: взаимное обучение между рейтингами и отзывами. WWW, 2018.
Йи и соавт. Многоуказательная ко-сет с вниманием для рекомендаций. KDD, 2018.
Чонг и соавт. Нейронное внимание для прогнозирования рейтингов с уровнями отзывов. WWW, 2018.
Либин и соавт. Parl: давайте чужакам говорить то, что вам нравится. CIKM, 2018.
Либин и соавт. Контекстно-зависимое обучение представлений пользователей и товаров для рекомендаций. TOIS, 2019.
Дунхуа и соавт. DAML: двойное внимание для взаимного обучения между рейтингами и отзывами для рекомендаций. KDD, 2019.
Люй и соавт. NRPA: нейронная рекомендация с персонализированным вниманием. SIGIR, 2019.
Новин и соавт. Как полезны отзывы для рекомендаций? Критический обзор и потенциальные улучшения. SIGIR, 2020.
Негар и соавт. Адаптация контекста в интерактивных системах рекомендаций. RecSys, 2014.
Яссер и соавт. История-руководимый разговорный рекомендатель. WWW, 2014.
Константин и соавт. По направлению к разговорным системам рекомендаций. KDD, 2016.
Константин и соавт. Q&R: двухэтапный подход к интерактивным рекомендациям. KDD, 2018.
Сун и соавт. Разговорная система рекомендаций. SIGIR, 2018.
Уонгфэнг и соавт. По направлению к разговорному поиску и рекомендациям: система задает вопросы, пользователи отвечают. CIKM, 2018.
Рэймонд и соавт. По направлению к глубинным разговорным рекомендациям. NeurIPS, 2018.
Тонг и соавт. Визуально диалогово усиленная интерактивная система рекомендаций. KDD, 2019.
Цзибин и соавт. По направлению к разговорной системе рекомендаций на основе знаний. EMNLP, 2019.
Юньсян и соавт. Противостояние атакам и обнаружению на основе обучения с подкреплением для интерактивных систем рекомендаций. SIGIR, 2020.
Веньсяан и соавт. Разговорные рекомендации: формулировка, методы и оценка. SIGIR, 2020.
Синьшан и соавт. Динамическая онлайн-диалоговая рекомендация. ACL, 2020.
Веньсяан и соавт. Оценка-действие-рефлексия: по направлению к глубинному взаимодействию между разговорными и системами рекомендаций. WSDM, 2020.
Куан и соавт. Улучшение разговорных систем рекомендаций через граф знаний для семантической интеграции. KDD, 2020.
Веньсяан и соавт. Интерактивное путь-рациональное моделирование на графе для разговорных рекомендаций. KDD, 2020.
Сижин и соавт. Интерактивная система рекомендаций через граф знаний для обучения с подкреплением. SIGIR, 2020.
Кай и соавт. Латентное линейное критикование для разговорных систем рекомендаций. WWW, 2020.
Линсин и соавт. Нейронное интерактивное колаборативное фильтрование. SIGIR, 2020.
Линсин и соавт. Pseudo Dyna-Q: рамка обучения с подкреплением для интерактивных рекомендаций. WSDM, 2020.
Шижун и соавт. Сообщающееся объединение атрибутов и товаров: разговорные рекомендации для новых пользователей. arXiv, 2020.
Цзецин и соавт. По направлению к разговорным рекомендациям на основе множественных типов диалогов. ACL, 2020.
Чжонсянь и соавт. По направлению к объяснимым разговорным рекомендациям. IJCAI, 2020.
Цзе и соавт. По направлению к вопросным системам рекомендаций. SIGIR, 2020.
Ху и соавт. Пользовательская память для разговорных рекомендаций. arXiv, 2020.
Кай и соавт. Латентное линейное критикование для разговорных систем рекомендаций. WWW, 2020.
Недавно мы запустили открытый проект RSAlgorithms, который предоставляет интегрированный тренировочный и тестовый фреймворк. В этом фреймворке реализованы набор классических традиционных методов рекомендаций, которые делают прогнозы, используя только данные о рейтингах, и социальных методов рекомендаций, которые используют информацию о доверии/социальной информации для устранения проблем с редкостью данных о рейтингах. Кроме того, мы собрали некоторые классические методы, реализованные другими, для вашего удобства.
Отдельно благодарю вас за сбор материалов по системам рекомендаций, и если у вас есть какие-либо вопросы, пожалуйста, обращайтесь ко мне. В заключении хочу отметить, что мои возможности ограничены, поэтому я искренне жду сотрудничества с вами для развития этого проекта.
Благодарю @Шоуми Су за сбор материалов по системам рекомендаций местоположений.
Благодарю @Ванг Цзе за его советы по EE в RS.
Выражаю особую благодарность @Юйя Цзангу за её обзор по хэшированию для RS.
Благодарю @Цзюксюань Янга и @вики1109 за сбор материалов по прогнозированию кликов для RS.
Благодарю @Шоуми Люя за сбор материалов по системам рекомендаций на основе отзывов.
Отдельно благодарю профессора @Чжу Юнь за его внимательное руководство во время моего исследования.
WeChat Официальный аккаунт: ML-RSer
Мой ZhiHu: Хунлеи Цзанг
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Комментарии ( 0 )