推荐系统顶会RecSys 2018论文及代码集锦(2)

[6] Exploring Recommendations Under User-Controlled DataFiltering

Hongyi Wen et al.

Cornell University

http://delivery.acm.org/10.1145/3250000/3240399/p72-wen.pdf

这篇文章,探索了时间敏感的用户数据对推荐性能的影响,即只利用最近若干天的数据。

这篇文章的训练测试机制示例如下

各方法效果对比如下

其中PMF为Probabilistic Matrix Factorization,BPR为Bayesian Personalized Ranking,U-CML为Collaborative Metric Learning with Uniform Weights

P:the percentage of users choosingto filter

N:the time span of the data shared by each user

不同参数影响如下

代码地址

https://github.com/whongyi/datafilter-recsys

该代码主要利用Python实现

[7] Word2vec applied to Recommendation: Hyperparameters Matter

Hugo Caselles-Dupré, Florian Lesaint, Jimena Royo-Letelier

Flowers Laboratory, Deezer SA

http://delivery.acm.org/10.1145/3250000/3240377/p352-caselles_dupre.pdf

这篇文章基于网格搜索探讨了推荐系统中Word2vec中各个超参数的边际效应。作者发现负采样分布,迭代次数,次采样参数,窗口大小等可以大幅度提升模型效果。另外,他们发现nlp和推荐系统中word2vec的最优超参数具有显著差异。

各个数据集中的商品分布如下

不同超参数最优策略的结果如下

最优性能与负采样的关系示例如下

代码地址

https://github.com/deezer/w2v_reco_hyperparameters_matter

该代码利用Python实现

[8] StreamingRec: A Framework for Benchmarking Stream-basedNews Recommenders

Michael Jugovac, Dietmar Jannach, Mozhgan Karimi

TU Dortmund, Alpen-Adria-Universität, University of Antwerp

http://delivery.acm.org/10.1145/3250000/3240384/p269-jugovac.pdf

这篇文章提出了StreamingRec,它是一种评价流式新闻推荐的框架。该框架已经开源,这种框架的评估协议基于重播机制,在该框架中,新事件发生时,可以推荐的新文章产生时,能够实时更新模型。很多基于会话的基准推荐算法都可以看做StreamingRec的特殊情形。

数据集统计信息如下

各算法效果对比如下

代码地址

https://github.com/mjugo/StreamingRec

[9] Case Recommender: A Flexible and Extensible Python Framework for Recommender Systems

Arthur da Costa et al.

University of São Paulo, University of Newcastle

http://delivery.acm.org/10.1145/3250000/3241611/p494-da_costa.pdf

这篇文章开源了基于Python的推荐框架,Case Recommender,其中的组件丰富,基于这个框架,开发者可以构建个性化推荐系统。该框架实现了知名的效果比较好的评分预测算法和商品推荐算法。该框架可以融入聚类算法和集成算法。

多种工具包对比如下

下面是多种推荐算法的分类

代码地址

https://github.com/caserec2018/caserecommender

该代码利用Python实现

[10] Modularizing Deep Neural Network-Inspired RecommendationAlgorithms

Longqi Yang et al.

Cornell University

http://delivery.acm.org/10.1145/3250000/3241618/p533-yang.pdf

该教程综述了基于深度神经网络的推荐算法的最新进展,并且展示了如何将这些算法扩展并且应用到多种应用场景中。OpenRec框架支持个性化,并且将基于神经网络的推荐算法模块化。更多资料参见:http://openrec.ai/

代码地址

https://github.com/ylongqi/openrec

该代码利用Python实现

为方便大家交流,已开通以下几个群

自然语言处理交流群

计算机视觉交流群

推荐系统交流群

广告算法交流群

自动驾驶交流群

语音识别交流群

其他推荐的群(暂未开通)

欢迎感兴趣的朋友加入,入群方式:

关注公众号之后在后台发送"入群"或"加群",小编会把您拉进相应的群,谢谢

可以通过以下方式关注

本公众号(微信号:mlanddlanddm)专注于机器学习(主要包含但不限于深度学习)相关知识分享,其中涉及自然语言处理、推荐系统以及图像处理前沿论文等,欢迎大家关注交流

您可能感兴趣

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181008G0B7SN00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券