Mehrstufiges kausaldrivendes adaptives Netzwerk für Empfehlungen (M-scan): Effiziente Verarbeitung und Analyse von Inhalten für Erkenntnisse
M-scan ist ein neuartiges Modell, das explizit die Auswirkungen von Szenarien auf Benutzerinteressen und Klickverhalten modelliert, um genauere Empfehlungen in mehrstufigen Szenarien zu ermöglichen.
Personalisierte faire Empfehlungen durch adaptive Repräsentationslernung und Informationsausrichtung
Das Modell AFRL (Adaptive Fair Representation Learning) ermöglicht faire Empfehlungen, die an die individuellen Fairness-Anforderungen der Nutzer angepasst sind. AFRL lernt attributspezifische Einbettungen und ein voreingenommenes kollaboratives Embedding, um eine optimale Balance zwischen Fairness und Genauigkeit zu erreichen.
Ein vortrainiertes sequentielles Empfehlungssystem über Popularitätsdynamiken
Wir präsentieren ein neuartiges vortrainiertes sequentielles Empfehlungssystem, PrepRec, das universelle Darstellungen von Artikeln und Sequenzen durch Modellierung der Artikelpopularitätsdynamiken lernt. PrepRec kann ohne jegliche zusätzliche Informationen Nullschuss-Übertragungen über Domänen und Anwendungen hinweg durchführen.
Ein negatives Feedback-bewusster Empfehlungsmodell (NFARec)
NFARec maximiert die Nutzung von negativem Feedback in sequenziellen und strukturellen Mustern, um Benutzerrepräsentationen zu verbessern und genauere Empfehlungen zu liefern.
Kontextualisiertes und entzerrtes Empfehlungsmodell (CaDRec): Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen
Das CaDRec-Modell überwindet die Probleme des Über-Glättens und der verzerrten Interaktionsverteilung in Empfehlungssystemen, indem es kontextualisierte Repräsentationen unter Berücksichtigung struktureller und sequenzieller Zusammenhänge sowie entzerrte Repräsentationen durch Modellierung individueller Nutzerverzerrungen und Popularitätseffekte lernt.
Großer Sprach-Empfehlungsassistent (LLaRA): Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen
LLaRA kombiniert die komplementären Stärken herkömmlicher Empfehlungssysteme in der Erfassung von Verhaltensmustern der Nutzer und die Fähigkeiten Großer Sprachmodelle in der Kodierung von Weltwissen über Artikel, um sequenzielle Empfehlungen zu verbessern.
Wasserstein-abhängiges Graph-Aufmerksamkeitsnetzwerk für kollaboratives Filtern mit Unsicherheit
Unser Modell W-GAT erfasst die Unsicherheit und überträgt die kollaborativen Signale effektiv, indem es ein Graph-Aufmerksamkeitsnetzwerk nutzt, um Gauß-Darstellungen von Nutzern und Artikeln zu lernen. Darüber hinaus führen wir die Wasserstein-Abhängigkeit in das kollaborative Filtern ein, um die gegenseitige Information zwischen Nutzern und relevanten Artikeln zu maximieren.
SARDINE: Ein Simulator für automatisierte Empfehlungen in dynamischen und interaktiven Umgebungen
SARDINE ist ein flexibler und interpretierbarer Empfehlungssimulator, der die Forschung zu interaktiven und datengesteuerten Empfehlungssystemen beschleunigen kann.
Effizientes Training von Empfehlungsmodellen durch populationsbasiertes Überspringen von veralteten Einbettungen
Slipstream, ein Softwarerahmenwerk, identifiziert und überspringt dynamisch veraltete Einbettungen, um die Trainingsleistung zu verbessern und den CPU-GPU-Bandbreithenverbrauch sowie den Speicherzugriff zu optimieren.
Einbeziehung von Rücksichtslosigkeit in empfehlungsbasierte Collaborative-Filtering-Systeme
Die Einbeziehung eines neuen Regularisierungsterms, der als "Rücksichtslosigkeit" bezeichnet wird, in den Lernprozess von matrixfaktorisierungsbasierten Empfehlungssystemen ermöglicht die Kontrolle des Risikograds bei der Erstellung von Vorhersagen. Dadurch können sowohl die Menge als auch die Qualität der Vorhersagen verbessert werden.
© 2024 by Linnk AI