Interpreting User Inaction in Recommender System(Recsys 2018)

Abstract 用户与推荐系统的交互有三个方面:浏览,产生点击行为,不作为.在这项工作中,我们在推荐系统中布置了一项调查,根据人类心理上决策理论,中用户和推荐系统的角度解释用户不作为的意义.本文进一步推断用户不作为的原因,并使用离线数据集进行验证,实验表明这种模型能够为推荐系统在用户行为预测等方面为推荐系统提供益处.这篇文章有一些意思,将实证研究和推荐系统结合推断人们不点击推荐系统推荐商品的原因.问卷调查对于周围偏向文科的同学来说不是一个新鲜事,但是”文理结合”这对于我来说还是有一些新鲜感的. Introduction 想想一下实际的业务场景:你的一个朋友向你寻求餐馆推荐.你告诉她附近有一家寿司店, 但是她下周没有去那里.我们需要考虑的是,经过这个事情,对寿司店的偏好是什么?为什么没有选择去你推荐的寿司店呢? * 如果她在一周后再次向你寻求参观推荐,你会再次向她推 去看看~

Explainable Cross-Domain Recommendations through Relational Learning(AAAI 2018)

Abstract 这篇文章是我见到的发表在AAAI上的一篇短论文,本文提出了一种可以生成关于跨领域问题的可解释推荐规则.本文的贡献是:使用关系生成规则,这些规则能够解释为什么把商品推荐给特定用户. 2. 使用用户在不同领域的商品偏好, 不同领域的商品偏好能够为用户提供全新的建议. 为了说明我们的方法确实可行和适用,本文在音乐和电影领域进行了实验. Introduction 本文在开头的部分引出了推荐系统的几大关键问题:推荐准确性,冷启动问题,商品新属性,推荐新颖性与多样性,同时解决一个问题会导致另一个问题,这是一种权衡.在作者看来,这些问题之所以没有得到良好解决的原因是因为当前主流推荐算法似乎被放入了一个黑盒中,算法产生推荐结构后,很难解释为什么会对一组数据输入给出这个推荐结果.如果我们能够理解推荐背后的原因,我们相信我们将能够找到更有效地处理此类问题的方法.如果我们能够理解推荐背后的原因 去看看~

《深度学习在美团推荐平台排序中的运用》知识点整理

深度学习在美团推荐平台排序中的运用这篇文章写得非常好,但是对于小白的我来说有一些知识点不是那么容易啃,所以在此特意做一个整理,防止自己以后会忘记…本文是对《深度学习在美团推荐平台排序中的运用》的二次加工,里面有我自己对这篇文章的理解,无意侵权,如有违反,我愿意尽快删除。 美团推荐系统面临的挑战 首先美团点出了美团O2O生活服务平台目前在推荐系统中面临的挑战,主要有以下两点: 1. 业务形态多样性:除了推荐商户外,我们还根据不同的场景,进行实时判断,从而推出不同形态的业务,如团单、酒店、景点、霸王餐等。 2. 用户消费场景多样性:用户可以选择在家消费:外卖,到店消费:团单、闪惠,或者差旅消费:预定酒店等。 (在读到这里之前,需要先想想“如果我面临这个问题,我是怎么解决的?我有没有什么更好的解决办法?”) 针对上述问题,美团定制了一套完善的推荐系统框架,包括基于机器学习的多选品召回与排序策略, 去看看~

A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems(2015)

Abstract 在这项工作中,本文提出了一个基于内容的推荐系统,以解决推荐质量和系统可扩展性.根据用户的浏览历史记录和搜索查询,文章提出了一些能够完美刻画用户的特征表示.本文使用深度学习方法将用户和项目映射到潜在空间,在该潜在空间中用户与其首选项目之间的相似性最大化.引入基于多视图的深度学习模型来学习跨领域和用户特征的项目特征. 该用户的特征表示能够使得模型在没有产生购买交易的情况下,通过它们足够的搜索和历史行为来为用户产生推荐.将不同领域的数据组合成一个单个模型有助于提高所有领域数据下的推荐质量,以及具有更丰富的用户潜在向量表示. Introduction 本文在开始部分指出了协同过滤算法不足之处:在提供高质量推荐之前需要相当多的历史记录.这个问题被称为冷启动问题.因此,传统的CF方法通常无法为新用户提供高质量的推荐.另一方面,基于内容的推荐方法从每个用户和/或项目中提取特征,并使用这 去看看~

Learning to Rank using Gradient Descent

Abstract 本文提出了 RankNet, 引出pairwise排序方法梯度下降法来学习排序. 我们使用神经网络来实现这个 idea本文使用 toy data来测试结果.这是第一篇关于 AUC 优化 pairwise 方法的论文, 虽然已经过去了几年,但是对于初学者的我来说仍然具有很大的意义. Introduction 我们使用神经网络来学习排序函数, 一个常见的例子是搜索引擎排名.对于此问题,数据由一组查询关键字组成,对于每个查询关键字,都包含一组返回的文档.在训练阶段,一些查询关键词/文档对对被标记为相关性(“优秀匹配”,“良好匹配”等).因此所有的数据集中的数据都会参与排名,只有满足召回条件的文档才会参加排名.本文的贡献在于1.不需要向 point wise 那样需要回归预测相关性,而是直接进行排序. 2. 提出 pair wise 的概率代价函数,这种方法不是特定于基础学习算法 去看看~