Improving Aggregate Recommendation Diversity Using Ranking-Based Techniques

最新推荐文章于 2025-01-01 12:28:07 发布

gingko00

最新推荐文章于 2025-01-01 12:28:07 发布

阅读量490

点赞数

分类专栏：数据挖掘文章标签：推荐多样性

数据挖掘专栏收录该内容

6 篇文章

订阅专栏

使用基于排序的技术改进总体推荐多样性

摘要：大多数的推荐算法都改进推荐的准确性，忽视了推荐的多样性。这篇文章提出了一些商品推荐技术，在准确率的前提下，还能保证多样性

（。。。。。。未完待续）

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

gingko00

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

3DGS2024论文解析|SA-DVAE Improving Zero-Shot Skeleton-Based Action Recognition by Disentangled

paixiaoxin的博客

02-10

962

本文提出了一种新颖的零样本骨骼动作识别方法SA-DVAE（基于解耦变分自编码器的语义对齐），旨在解决现有方法在动作识别数据集中由于骨骼序列的可变性和类别标签的恒定性所导致的内在不平衡问题。SA-DVAE通过特征解耦将骨骼特征分为语义相关和无关的两个部分，从而更好地对齐骨骼特征与语义嵌入。该方法采用了一对模态特定的变分自编码器，并结合总相关性惩罚，以提高模型的泛化能力。

DiABlO-Framework fordiversity in Recommendation：用于提高推荐多样性的推荐系统模型-matlab开发

05-30

DiABlO 是一个基于矩阵分解模型的联合优化框架。它旨在引入 RS 提出的建议的多样性，以保持用户参与并提高项目的可见性。演示文件显示了 Movielens 数据集子集的模型准确性（以精度衡量）和相关多样性度量（聚合多样性、个体多样性和新颖性）的变化。该代码与《信息科学期刊》上正在提交的论文相关。

参与评论您还未登录，请先登录后发表或查看评论

多样化推荐调研

abcdefg90876的博客

11-17

960

知识图谱论文阅读（十七）【WWW2021】DGCN: Diversified Recommendation with Graph Convolutional Networks

qq_35222729的博客

09-06

3027

本论文是很明显是基于KGCN的！如果不懂KGCN，可以看我上一篇博文论文题目： DGCN: Diversified Recommendation with Graph Convolutional Networks 论文链接：论文代码：创新（1）和（2）没有改变生成阶段的顺序，而（3）则是存在实际问题。那么我们就是添加上游任务中，生成一个排序结果，而不仅仅是候选items + 多样性排序要有特定于多样性的设计，使的弱势类别更加容易获得摘要动机： 多样性是衡量推荐items的一个关键因.

Tantan-Recommendation-Diversity:探探项目-提升推荐系统的推荐多重

03-11

一个端到端模型GraphDR实现多样化的召回

炼丹笔记

04-21

443

Improving Adversarial Transferability via Neuron Attribution-Based Attacks.pdf

10-13

Improving Adversarial Transferability via Neuron Attribution-Based Attacks 深度神经网络（DNNs）已经被部署在许多安全关键的实际应用中，如自动驾驶和医疗诊断等。然而，DNNs易受对抗样本的攻击，这些攻击可能...

Improving performance of tensor-based context-aware recommenders using Bias Tensor Factorization with context feature auto-encoding

02-07

In this paper, we focus on the problem of context-aware recommendation using tensor factorization. Tra- ditional tensor-based models in context-aware recommendation scenario only consider user-item-...

Improving-FRT-Capability-of-DFIG-Based-WT-Using-S_dfig fault rid

07-15

Improving Fault Ride-Through Capability of DFIGBased Wind Turbine Using Superconducting Fault Current Limiter

Improving+Recommendation+Diversity+via+Determinantal

03-18

beilizhang的博客

06-18

1080

主要参考论文：《FairMatch A Graph-based Approach for Improving Aggregate Diversity in Recommender Systems》什么是多样性 推荐系统中的多样性分为两类：个体多样性（individual diversity）指对于每一个用户而言，推荐结果是否具有多样性; 整体多样性（aggregate diversity）指对于整个推荐系统来说，它的推荐结果是否具有多样性。比如是否覆盖了足够多的物品，而不是只集中在小部分流行的物品

论文那些事—Improving Transferability of Adversarial Examples with Input Diversity

shuweishuwei的博客

09-15

920

第六篇Improving Transferability of Adversarial Examples with Input Diversity(通过输入多样性提高对抗样本的迁移性) 1、摘要 cnn在视觉领域已经取得了非常好的效果，但在对抗样本面前依然非常脆弱，尤其是面对黑盒模型时，攻击率更低。本文介绍通过输入多样性来提高对抗样本的迁移性，从而产生对于白盒攻击和黑盒攻击都高的对抗样本。此论文和MI—FGSM解决的是同一个问题，只是解决方法不同。文中提出：现有的方法是单步攻击(FGSM)和迭代

【paper_reading_20191027】Improving Transferability of Adversarial Examples with Input Diversity

华中科技大学施文

10-27

601

[1] Xie C, Zhang Z, Zhou Y, et al. Improving transferability of adversarial examples with input diversity[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 2730-...

CVPR2019 | DIM | 通过输入多样性提高对抗样本的可迁移性

最新发布

四口鲸鱼爱吃盐的博客

01-01

1805

本文 “Improving Transferability of Adversarial Examples with Input Diversity” 提出了通过输入多样性来提高对抗样本可迁移性的方法，将随机变换融入攻击过程，显著提升了黑盒模型的攻击成功率，同时保持白盒模型的高成功率；结合动量项和攻击网络集成进一步增强攻击效果，在NIPS 2017对抗竞赛复现实验中表现优异，为评估网络鲁棒性和防御方法有效性提供了强基准，推动了对抗样本相关研究的发展。

论文笔记《Improving the Transferability of Adversarial Examples with Resized-Diverse-Inputs, Diversity-E》

qq_39667860的博客

08-16

581

提示：这里对文章进行总结：例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。在本文中，我们引入了一个三个阶段的管道：调整大小的多样性输入(RDIM)、多样性集成(DEM)和区域拟合，它们共同生成可转移的对抗性例子。我们首先探讨了DIM和TIM之间的内部关系，并提出了更适合于描述这种关系的RDIM。RDIM结合TIM，可以平衡梯度信息损失和条纹需求之间的矛盾。...

【论文阅读】Improving Item Ranking by Leveraging Dual Roles Influence

欢迎来到小丁的技术空间

09-24

242

Xu K, Xu Y, Min H, et al. Improving Item Ranking by Leveraging Dual Roles Influence[J]. IEEE Access, 2018, 6: 57434-57446. 这一篇工作是实验室老师在2018年发表的，作者把信任网络加入到了BPR猜想中，因为作者认为用户选择某一个物品不仅仅会受自己信任的人所影响，也会受自己不...

CVPR2019| 百度17篇CVPR论文学习记录（包含：无人驾驶、神经网络、GAN、无监督学习、目标检测）

王博（Kings）的博客

05-03

5267

首先感谢现在网上资源丰富，能够获得很多人的总结，结合自身实际进行了学习记录。并着重标注了其中关键核心目录 1）Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation（仔细研究源域转换：语义一致域适应的类别级别对抗） 2）Filte...

论文阅读：EmbedRank: Unsupervised Keyphrase Extraction using Sentence Embeddings

u014435314的专栏

07-26

3147

问题：现有的关键词抽取系统普遍存在的问题包括：1）complex and slow 2）over-generation (i.e. extracting redundant keyphrases) 资源： 1. 代码 https://github.com/swisscom/ai-research-keyphrase-extraction 相关工作： 1. Unsupervised...

Influence of Autoencoder-Based Data Augmentation on Deep Learning-Based Wireless Communication

03-30

Autoencoder-based data augmentation can have a significant influence on deep learning-based wireless communication systems. By generating additional training data through data augmentation, the performance of deep learning models can be greatly improved. This is particularly important in wireless communication systems, where the availability of large amounts of labeled data is often limited. Autoencoder-based data augmentation techniques can be used to generate synthetic data that is similar to the real-world data. This can help to address the problem of overfitting, where the deep learning model becomes too specialized to the training data and performs poorly on new, unseen data. By increasing the diversity of the training data, the deep learning model is better able to generalize to new data and improve its performance. Furthermore, autoencoder-based data augmentation can also be used to improve the robustness of deep learning models to channel variations and noise. By generating synthetic data that simulates different channel conditions and noise levels, the deep learning model can be trained to be more resilient to these factors. This can result in improved performance in real-world wireless communication scenarios, where channel conditions and noise levels can vary widely. In conclusion, autoencoder-based data augmentation can have a significant influence on deep learning-based wireless communication systems by improving the performance and robustness of deep learning models.