首页
学习
活动
专区
工具
TVP
发布

机器学习与推荐算法

汇集经典的推荐技术,公众号:机器学习与推荐算法
专栏作者
258
文章
212060
阅读量
52
订阅数
AAAI2023 | 针对联邦推荐场景的非定向攻击与防御
TLDR:今天跟大家分享一篇通过利用聚类算法来操纵物品嵌入特征以此针对联邦推荐场景进行非定向攻击的工作,随后作者针对这一攻击又提出了一种基于一致性的对应防御机制,该论文已被AAAI2023接收。接下来让我们具体看看所提算法是如何工作的吧。
张小磊
2023-01-10
8260
最新可信推荐系统综述, 6个维度71页463篇文献介绍其前沿进展
作为最成功的人工智能驱动的应用之一,推荐系统通过在我们生活的许多方面提供个性化的建议,帮助人们以有效和高效的方式做出适当的决定,特别是针对各种在线服务,如电子商务平台和社交媒体网站。在过去的几十年里,推荐系统的快速发展通过创造经济价值、节省时间和精力以及促进社会公益,使人们大大受益。
张小磊
2022-10-31
5160
2022中国推荐算法应用市场研究
推荐算法经过多年的发展已较为成熟,融合数学、计算机等多学科,进行分类与标签匹配,再通过海量运算后进行精准推荐
张小磊
2022-10-31
8420
RecSys2022 | 当推荐系统遇到量子计算
经过几十年来的理论研究,量子计算现在正成为解决现实问题的有用工具。文本介绍的工作旨在通过实验探索目前可用的量子计算机的可行性,期望基于量子退火范式,建立一个利用社区检测的推荐系统,目前该工作已发表于2022年的推荐系统年会RecSys上。社区检测,通过将用户和物品划分为密集连接的集群,可以通过假设每个社区内的用户有相似的品味来提高非个性化推荐的准确性。然而,社区检测是一个计算上很昂贵的过程。
张小磊
2022-10-31
6430
推荐系统模型发展简史
互联网出现不久,推荐系统就诞生了,相关技术在学术界和工业界得到了广泛的研究和应用。目前,推荐系统已经成为最成功的网络应用之一,通过推荐不同种类的内容来为数十亿人服务,包括新闻资讯、视频、电子商务产品、音乐、电影、书籍、游戏、朋友、工作等。这些成功的案例证明,推荐系统可以将大数据转移成高价值。本文从两个方面简要回顾了推荐系统的发展历程:(1)推荐模型,(2)典型推荐系统的架构。之前我们整理了近30年关于推荐模型的发展历史可参考一文尽览推荐系统模型演变史(文末可下载),另外关于中国推荐系统发展历史可参考那些用推荐引擎改变世界的人。我们希望这个简短的回顾能够帮助了解网络推荐系统的进展,并且这些点在未来会以某种方式连接起来,从而激励建立更先进的推荐服务进而改变世界。
张小磊
2022-10-31
1.4K0
最新综述 | 基于因果推断的推荐系统
目前,推荐系统在信息过滤中起着至关重要的作用。现有主流的推荐系统主要是通过学习数据中的相关性进而提取用户的行为偏好,例如协同过滤中的行为相关性,点击率预测中的特征-特征或特征-行为相关性。然而,遗憾的是,现实世界是由因果关系而不是相关关系驱动的,相关关系并不意味着因果关系。例如,推荐系统可以在用户购买手机后向其推荐电池充电器,其中后者可以作为前者的原因,而这种因果关系是无法反过来的。最近,为了解决这个问题呢,推荐系统的研究人员开始利用因果推理来提取因果关系,进而增强推荐系统的性能。
张小磊
2022-10-31
1.5K0
冷启动推荐算法理论与实践总结
推荐系统根据用户的历史行为分析用户的兴趣,再根据兴趣为用户推荐项目。然而,在推荐系统运作过程中,新用户与新项目会源源不断地出现。由于这部分用户与项目没有历史评分信息,系统无法有效推断新用户的兴趣与新项目的受欢迎度,这种涉及新用户和新项目推荐的问题成为冷启动推荐问题。
张小磊
2022-10-31
1.5K0
KDD2022 | 基于图表示的推荐算法教程
第28届国际知识发现与数据挖掘大会SIGKDD会议将于8月14日至18日在华盛顿举行,该会议为数据挖掘领域顶级会议,CCF A类会议。据统计,今年共有1695篇有效投稿,其中254篇论文被接收,接收率为14.98%。关于KDD2022的推荐系统论文整理可参考KDD2022推荐系统论文集锦(附pdf下载)。
张小磊
2022-10-31
7060
深度解析开源推荐算法框架EasyRec的核心概念和优势
随着移动App的普及,个性化推荐和广告成为很多App不可或缺的一部分,它们在改善用户体验和提升App收益方面都产生正向作用。深度学习在搜广推领域的应用也已经非常深入,并且给各种场景的效果带来了巨大的提升。针对推荐流程的各个阶段,业界已经有很多的模型,这些模型大部分也有开源的实现,但是这些实现通常散落在Github的各个角落,其数据处理和特征构造的方式各有差异。如果我们想要在一个新的场景里面应用这些模型,通常需要做比较多的改动:
张小磊
2022-10-31
7650
WSDM2022 | 基于双曲几何无标度图建模的知识感知推荐算法
Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation
张小磊
2022-10-31
2.2K0
350篇文献总结可信推荐系统前沿进展
推荐系统作为以人为本的人工智能技术的最前沿应用,被广泛部署在网络世界的每个角落,其大大提高了人类的决策效率。然而,尽管推荐系统具有巨大的作用和潜力,但也可能导致对用户、物品、生产者、平台甚至整个社会的不良影响,例如由于不透明的过程而损害用户的信任,对不同的消费者或生产者的不公平待遇,由于大量使用用户的私人敏感数据进行个性化推荐而导致的隐私泄露问题,由于缺乏对用户自身数据的控制而导致推荐重复的内容的回音室效应等等。所有这些都造成了对可信推荐系统的迫切需求,以减轻或避免这种不利影响和风险。
张小磊
2022-10-31
7210
基于对抗学习的隐私保护推荐算法
协同过滤算法除了捕捉用户潜在的消费模式外,还会学习用户特定的人口统计学特征或受保护信息等特征,如性别、种族和地理位置位置。这些偏见(Bias)信息会进一步影响推荐系统(RS)的决策,使得推荐算法会提供给不同用户子群的内容进一步分离,这将引起对用户受保护属性泄露的隐私问题。通过观察下图,可以发现基本的推荐算法(MultVAE)存在性别上的偏差,使得攻击者可以很容易的识别这种模式并进行敏感属性的推测。
张小磊
2022-10-31
6740
推荐算法的三大研究热点
传统的推荐算法与用户的交互较为缺乏,难以及时有效地把握用户兴趣。基于对话的推荐系统(Conversational Recommender System,CRS)能够通过与用户深入互动来了解用户兴趣,成了推荐系统领域一个新的研究热点。基于对话的推荐系统的核心是用户与推荐系统的在线交互,即将通过用户与推荐系统的对话交互过程获得用户的反馈,并将用户反馈融入推荐模型中,期望更好地理解用户的兴趣并提升推荐的准确性。
张小磊
2022-10-31
6850
最新综述 | 图数据挖掘中的算法公平性
图数据挖掘算法已经在很多领域得到应用,但大多数图数据挖掘算法都没有考虑到算法的公平性。在本篇综述中,我们首先系统梳理了图数据挖掘领域内常见的算法公平性的定义和对应的量化指标。在此基础上,我们总结出了一个图数据挖掘算法公平性的分类法,并对现有提升公平性的方法进行了讨论。最后,我们整理了可以用于图数据挖掘中算法公平性研究的数据集,也指出了现有的挑战和未来的工作方向。
张小磊
2022-10-31
4630
SIGIR2022 | 基于行为融合的冷启动推荐算法
今天给大家简要分享的是发表在SIGIR2022会议上的一篇关于冷启动推荐算法的短文,其核心思想是通过设计基于上下文的自适应嵌入算法来抵消特征分布的差异,以此将冷启动用户的特征嵌入转化为与现有“热”用户相似的特征状态,进而表示相应的用户偏好。
张小磊
2022-10-31
5660
推荐算法背后的机器学习技术
机器学习是一种利用统计和其他数学理论给予计算机学习能力的方法。机器学习和统计其实都有相同的目标:从数据中学习知识。但是具体的手段和理念有所不同。机器学习是计算机科学的一个分支,侧重的是从数据中建立有机的系统,而不是用目的很明显的规则去编程。而统计学是数学的一个分支,侧重的是用数学公式建立变量之间的联系。近年来,随着计算机硬件成本的不断降低和数据量的极大增加,数据科学家得以充分利用机器学习手段来分析和挖掘数据。另一方面,统计建模技术则早在计算机问世前就已经存在。
张小磊
2022-10-31
4380
TransRec: 基于混合模态反馈的可迁移推荐系统
自然语言处理(NLP)和计算机视觉(CV)领域已经成功开启了预训练与大模型新时代,涌现出了以BERT,GPT-3, ViT等为代表的划时代成果,实现了one4all范式,也就是一个通用大模型服务于几乎所有下游任务。而推荐系统在该方向发展缓慢,期间虽然产生了一些预训练模型(如文献[1,2,3]),但始终都不是NLP与CV的味道,模型的可迁移性范围有限,通常只适用于一个公司内部业务场景,无法实现广义上的可迁移性和通用性。
张小磊
2022-10-31
4430
快手推荐算法工程师工作感悟
作者:艾雷 出处:https://zhuanlan.zhihu.com/p/532197011
张小磊
2022-10-31
6040
精排模型-从MLP到行为序列:DIN、DIEN、MIMN、SIM、DSIN
如下图 [1][2],阿里妈妈的精排模型,经历了从传统 LR、MLR 到深度模型 GwEN,再到用户兴趣建模的过程。
张小磊
2022-10-31
1.2K0
SIGIR2022 | 基于Prompt的用户自选公平性推荐算法
推荐系统的公平性在近些年来越来越受到人们的重视。在真实世界中,用户往往会有着一些属性信息(例如年龄,性别,职业等),这些属性是推荐算法理解用户偏好的重要信息源。但是,有时用户可能并不希望推荐系统的结果受到这些用户属性的影响,产生一些有偏见的推荐结果。然而,有时过度追求推荐结果的公平性,可能会有损推荐效率。我们认为推荐系统是否需要基于这些用户属性进行推荐,以及哪些用户属性信息需要被考虑,应当取决于用户自己的选择与需求。在这篇工作中,我们探索了推荐系统中一种可能的公平性产品形态——用户自选公平性(selective fairness)。
张小磊
2022-10-31
5300
点击加载更多
社区活动
Python精品学习库
代码在线跑,知识轻松学
【玩转EdgeOne】征文进行中
限时免费体验,发文即有奖~
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·干货材料·成员作品·最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档