LINE: Large-scale Information Network Embedding

Abstract 本文的创新点在于现有的网络嵌入方法无法拓展到包含数百万节点的世界中。本文提出的方法适用于任意类型信息的网络:无向、有向、加权。该方法既能够保留本地网络结构同时保存全局网络结构。提出了一种边采样方法解决梯度下降法的局限性。本文作者称该方法能够在几个小时内学习具有数百万个顶点和 去看看~

Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba(KDD 2018)

Abstract 本文的贡献是在传统的word2vec基础上,为了减轻数据系数和冷启动问题,将辅助信息和合并到图embedding框架中。为了将辅助信息合并到图embedding中,本文提出了两种方法,离线的实验结果表明包含了辅助信息的方法要由于不包含辅助信息的方法。在淘宝的A/B测试 去看看~

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 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 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 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 去看看~

One The Direct Maximization of Quadratic Weighted Kappa

Preliminaries Quadratic Weighted Kappa最初的原则是用来做评分者信度,评分者信度主要用于小样本检验中, 用于两个评分者对同一批测试者进行测试获得两组检验结果,检测这两组检测结果是否可信, 被广泛用于离散 整数标签(例如测试样本,李克特量表打分等)的机器学习问题. Quadratic Weighted Kappa 去看看~

Leveraging Long and Short-term Information in Content-aware Movie Recommendation

Introduction 论文动机:RNN 可以捕捉用户短期的兴趣偏好变化,矩阵分解推荐方法基于用户的长期兴趣进行电影预测,其长期变化相对于时间变化非常缓慢.此外,大多数现有的推荐系统在进行推荐时只考虑用户过去的行为。与语料库中成千上万的电影相比,历史评级集太稀疏,无 去看看~