Translation-based Factorization Machines for Sequential Recommendation

最新推荐文章于 2023-08-01 22:24:18 发布
原创 最新推荐文章于 2023-08-01 22:24:18 发布 · 953 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

TransFM结合转移和度量模型与分解机，适用于序列推荐，通过平方欧氏距离度量特征交互，提高了推荐效果。该模型学习项目嵌入和转移空间，能有效捕捉传递属性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Rajiv Pasricha，Julian McAuley

UC San Diego

原文地址：Translation-based Factorization Machines for Sequential Recommendation

代码地址： github地址

摘要：这篇论文提出一种用于序列推荐的算法，TransFM，该算法将基于转移和度量模型与分解机模型结合起来。这种模型可以继承FM的优势，并且可以提高基于转移的模型在序列推荐中的效果。针对每一个特征维度，都学习得到嵌入和转移空间，特征之间的交互强度的度量不再利用内积，而是利用平方欧氏距离。TransFM可以将内容特征融入进去，进而可以大幅度提升模型效果。

相关知识

时序推荐系统

一般使用马尔科夫链，通过分解一个三阶的“cube”来预测用户下一个时刻的购买情况。

 TransRes学习了一个潜在项目嵌入空间，用户建立线性平移模型。在矩阵空间中，使用距离函数来替代内积。 该模型

分解机

对所有进行二阶交互的特征建模，并能够自然的推广以解决任意的高阶交互。每个特征交互的权重是根据分解机参数的内积，如下公式所示：

最低0.47元/天 解锁文章

200万优质内容无限畅学
Controllable Multi-Interest Framework for Recommendation
weixin_41697507的博客
07-23 3631
Controllable Multi-Interest Framework for Recommendation ABSTRACT Recently, neural networks have been widely used in e-commerce recommender systems, owing to the rapid development of deep learning. We formalize the recommender system as a sequential recom
什么是Sequential Recommendations？关于Sequential Recommendations的全面调研！
Marcus-Bao的个人主页
01-17 629
本文参考自论文《Sequential Recommender Systems: Challenges, Progress and Prospects》，是对其翻译和总结。关于SeqRec我也分享过不少的文章，也进行过简单的总结，可以看深入探寻《Self-Attentive Sequential Recommendation》ICDM‘18. 摘要 本文首先介绍了Sequential Recommender Systems（SRSs）的特点，然后对该领域面临的主要挑战进行了总结和分类，接着介绍了该领域最.
Sequential Recommender Systems: Challenges, Progress and Prospects翻译和笔记
qq_39091546的博客
11-17 1182
摘要   近年来，序列推荐系统（SRS）的新兴话题已引起越来越多的关注。与传统的推荐系统（RS）包括协作过滤和基于内容的过滤不同，SRS尝试理解并建模顺序用户行为，用户与项目之间的交互以及用户偏好和项目受欢迎程度随时间的演变。 SRS涉及以上方面，以更精确地表征用户上下文，意图和目标以及项目消费趋势，从而导致更准确，定制和动态的建议。在本文中，我们对SRS进行了系统的综述。我们首先介绍SRS的特征，然后对本研究领域中的关键挑战进行归纳和归类，然后是相应的研究进展，包括该主题的最新进展和代表性发展。最后，我们
Translation-based Factorization Machines for Sequential Recommendation基于FM的翻译序列推荐
tong987735780的博客
06-14 773
摘要 序列推荐算法的目的是根据用户的历史交互来预测用户未来的行为。最近的一项工作通过采用度量学习和知识图完成的思想，在顺序推荐任务上取得了最先进的性能。这些算法用低维嵌入和距离函数替换了内积，使用简单的动态转换对用户行为进行建模。 在本文中，我们提出了TransFM模型，它结合了翻译和基于度量的方法与因子分解机(FMs)进行顺序推荐。这样做可以让我们收获FMs的好处(特别是，直接合...
论文｜RecSys17-序列推荐模型 Translation-based Recommendation
Thinkgamer博客
08-29 4244
论文名字：基于翻译的序列推荐方法 下载地址：https://arxiv.org/pdf/1707.02410.pdf 背景 这篇论文是由 Ruining He，Wang-Cheng Kang和Julian McAuley三位大佬提出的，在2017年的ACM推荐系统会议（RecSys’17）上获得了最佳论文奖（在大佬主页可以下载该论文中涉及的代码和数据集，可惜代码是C++写的，不懂C++的童鞋挑战...
Translation-based Recommendation
m0_62258399的博客
08-01 195
在机器学习中，norm常用来表达两个向量之间的距离关系，也称做p-norm，其定义如下：当p取1时，称为L1-norm；当p取2时，称为L2-norm。
BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer
笔记杂谈
06-21 4689
Abstract： 根据用户历史的行为信息，对用户动态的偏好衍变进行建模，是对推荐系统产生的巨大挑战。现有算法使用序列神经网络，只能从左向右，利用单向信息进行建模。尽管这些放大得到了很好的效果，但是他们设定的严格顺序是不实际的。因此，本文提出针对推荐系统的transformer的双向编码器表示。由于利用深度双向信息会造成信息的泄露，为了解决这个问题，本文使用Cloze task训练模型，利用上下...
在家无聊？16篇最新推荐系统论文送你
张小磊的博客
03-09 665
最新收录16篇推荐系统论文，场景涉及社会化推荐、序列化推荐、POI推荐、流推荐等，技术涵盖GCN、MF、KG、Multitask Learning等，敬请享用。 [1] A Survey on Knowledge Graph-Based Recommender Systems 链接：https://arxiv.org/pdf/2003.00911 简介：该文是一篇利用知识图来构建推荐系统应用...
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 6271
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
论文笔记Sequential Recommendation with Dual Side Neighbor-based Collaborative Relation Modeling
weixin_39129550的博客
04-03 685
论文信息 Jiarui Qin,Kan Ren,YuchenFang, Weinan Zhang,Yong Yu: Sequential Recommendation with Dual Side Neighbor-based Collaborative Relation Modeling. 465-473 原文下载：https://arxiv.org/abs/1911.03883 Abstrac...
序列推荐模型梳理（Sequential Recommendation）
热门推荐
paper_reader的博客
10-28 1万+
阅读更多，欢迎关注公众号：论文收割机（paper_reader） 因为排版问题，很多图片和公式无法直接显示，欢迎关注我们的公众号点击目录来阅读原文。 序列推荐（sequential recommendation）在推荐系统里是非常重要的任务，它通过对用户（user）行为序列，比如购买商品（item）的序列（sequence）来建模，学到user 兴趣的变化，从而能够对用户下一个行为进行预测。序列推荐的模型，随着整个CS research领域的发展，也是一直在不断变化。从最开始的Markov chain，到
论文笔记：Sequential Recommendation with Relation-Aware Kernelized Self-Attention
Beasts136的博客
11-09 1599
论文笔记：Sequential Recommendation with Relation-Aware Kernelized Self-Attention 摘要：     最近的研究发现，顺序推荐可以通过注意力机制得到改善。通过跟踪这一发展，我们提出了关系感知核化自我注意(RKSA)，采用了transformer的自我注意机制，增强了一个概率模型。Transformer最初的自我关注是一种没有关系意识的确定性度量。因此，我们在自我注意中引入了一个潜在空间（latent space），潜在空间将推荐上下文从关系
推荐算法论文笔记01-《Sequential Recommendation with Graph Neural Networks》
weixin_42719763的博客
03-07 1003
利用图神经网络进行序列推荐
论文记录：Translation-based Recommendation
qq_14810321的博客
08-30 997
Inspired by graph embedding, which models transition(edge) embedding as a vector. Basic embedding relation, where i, j are previous and next item embedding, u is user embedding. In order to solve co...
聊天机器人之 BERT4Rec, 使用Bert进行序列推荐
Chatopera
10-20 2467
目录0. 本文概览1. BERT4Rec简介2. 背景3. BERT4Rec模型介绍3.1 问题定义3.2 模型结构3.4 Embedding层3.5 Output层3.6 模型训练和预测4. 实验5. 个人感悟6. Reference 0. 本文概览 今天给大家介绍一篇BERT用于推荐系统的文章，题目是《BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer》，文章作者都
文献笔记|序列推荐|SURGE|Sequence Recommendation with Graph Neural Networks
江城暮色
08-23 2716
文章目录Sequence Recommendation with Graph Neural Networks研究对象面临的问题作者的方法贡献Frame Work方法兴趣图的构建兴趣融合图卷积层兴趣抽取图池化层预测层实验 Sequence Recommendation with Graph Neural Networks 题目：基于图神经网络的序列推荐 作者：Jianxin Chang, Chen Gao, Yu Zheng, Yiqun Hui, Yannan Niu, Yang Song, Depeng
RS Meet DL(58)-基于“翻译”的序列推荐方法
小小挖掘机
07-28 289
本文介绍的论文的题目是《Translation-based Recommendation》论文下载地址是：https://arxiv.org/abs/1707.02410...
论文《Sequential Recommendation with Graph Neural Networks》阅读
xingzhe123456789000的博客
08-25 816
论文《Sequential Recommendation with Graph Neural Networks》阅读——清华和快手公司联合完成的作品，发表在SIGIR 2021上关于序列化推荐的论文，模型名称为SURGE。
2020上半年的sequential recommendation论文整理01——概述
小白的学习路
09-16 3161
由于老师让我整理今年的序列推荐论文，然后我就下载了这么多，包含KDD2020 SIGIR2020 WWW2020还有一些去年的但是没看的。一共是23篇，如下图所示： 这么多论文我准备花时间细看一下，然后写写总结之类的内容。 首先，我打算先把这些论文的摘要整理出来看看。 KDD2020Jointly Learning to Recommend and Advertise （字节跳动的） 摘要： Online recommendation and advertising are two major i
python 代码实现Uplift model for multiple correlated responses with Low-Rank factorization
06-03
这是一个相对复杂的问题，需要一定的领域知识才能回答。不过，我会尽力回答。 首先，Uplift model是一种机器学习模型，用于预测营销策略的效果。它可以帮助营销人员确定哪些客户应该被针对，以及哪些营销策略会对他们产生最大的影响。 在多个相关响应的情况下，我们可以使用低秩因子分解来构建模型。低秩因子分解是一种流行的矩阵分解技术，可以将大型矩阵分解为更小的矩阵，以便更容易处理和分析。 具体来说，我们可以使用Python中的scikit-learn库来实现Uplift model for multiple correlated responses with Low-Rank factorization。首先，我们需要将数据集分为两组：控制组和干预组。然后，我们可以使用低秩因子分解来拟合每个组的数据，并预测响应变量的值。最后，我们可以计算控制组和干预组之间的差异，以确定干预策略的效果。 以下是代码示例： ```python from sklearn.decomposition import NMF from sklearn.metrics import mean_squared_error # 将数据分为控制组和干预组 X_control, y_control = X[y == 0], y[y == 0] X_treatment, y_treatment = X[y == 1], y[y == 1] # 使用低秩因子分解拟合控制组和干预组的数据 model_control = NMF(n_components=5) model_treatment = NMF(n_components=5) W_control = model_control.fit_transform(X_control) H_control = model_control.components_ W_treatment = model_treatment.fit_transform(X_treatment) H_treatment = model_treatment.components_ # 预测响应变量的值 y_control_pred = W_control.dot(H_control) y_treatment_pred = W_treatment.dot(H_treatment) # 计算控制组和干预组之间的差异 uplift = np.mean(y_treatment_pred - y_control_pred) # 输出结果 print('Uplift: %.2f' % uplift) ``` 请注意，这只是一个简单的示例，实际实现可能涉及更多的数据预处理和模型调整。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值