- 博客(69)
- 收藏
- 关注
RSS订阅原创 Zero-Shot Recommendations with Pre-Trained Large Language Models for Multimodal Nudging
当前多模态推荐系统在匹配不同类型的内容（如文本、图像等）时面临特征分布差异大、语义理解复杂等挑战。而通过零样本学习解决跨模态匹配问题，可避免大量标注数据的需求，具有广泛应用潜力。
2024-11-26 18:18:18
1068
原创 Where to Move Next: Zero-shot Generalization of LLMs for Next POI Recommendation
基于位置的社交网络 (LBSN) 的发展现状，以及兴趣点 (POI) 推荐任务的价值和意义。然后，本章引出了下一个 POI 推荐任务，并指出了现有方法存在的问题，即依赖大规模用户签到数据、计算资源消耗大、缺乏泛化能力等
2024-11-26 17:52:19
1112
原创 Zero-Shot Next-Item Recommendation using Large Pretrained Language Models-问题咨询
Zero-Shot Next-Item Recommendation using Large Pretrained Language Models
2024-11-20 21:15:09
346
原创 Federated Adaptation for Foundation Model-based Recommendations
Federated Adaptation for Foundation Model-based Recommendations
2024-11-13 11:41:13
792
原创 On the User Behavior Leakage from Recommender System Exposure
从推荐系统曝光看用户行为泄漏。
2024-01-16 16:31:32
1022
原创 Manipulating Federated Recommender Systems: Poisoning with Synthetic Users and Its Countermeasures
Manipulating Federated Recommender Systems: Poisoning with Synthetic Users and Its Countermeasures
2024-01-14 00:06:48
1183
3
原创 Federated Unlearning for On-Device Recommendation
本文主要介绍了一种名为FRU（Federated Recommendation Unlearning）的联邦学习框架，用于在设备端的推荐系统中实现用户数据的有效擦除和模型重建。FRU通过存储用户的历史更新并校准这些更新，实现了有效的用户数据擦除和模型重建，从而保护用户隐私并提高系统的安全性。文章提出了重要性基础的更新选择策略和一种新颖的负采样方法，以在资源受限的设备上高效存储历史更新。通过实验证明，FRU能够消除特定用户的影响，并以至少7倍的速度加快模型的恢复过程。
2024-01-10 23:01:27
1164
原创 LightFR: Lightweight Federated Recommendation with Privacy-preserving Matrix Factorization
基于联邦矩阵分解的推荐系统
2024-01-09 21:40:12
1123
1
原创 Federated Social Recommendation with Graph Neural Network
个性化的联邦学习推荐系统论文全方位解析
2023-11-13 15:57:32
570
原创 FedFast: Going Beyond Average for Faster Training of Federated Recommender Systems
基于聚类分簇的方法加速联邦学习
2023-10-31 22:35:27
125
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人