研究人员推出了一种新颖的序列推荐方法——哈密顿谱推荐器（HSR），它使用二阶动力学系统来模拟用户偏好的演变。与将偏好变化视为一阶过程的现有模型不同，HSR 将这种演变概念化为潜在相空间中的耗散哈密顿系统，考虑了惯性、周期性和突然变化。该系统的线性时不变结构允许在频域中获得闭式解，而可学习的耗散机制和脉冲细化模块则捕捉了兴趣衰减和行为的突然波动。在基准数据集上的实验表明，HSR 的性能优于最先进的基于 Transformer 和状态空间模型的推荐器。 AI
影响 引入了一种新颖的序列推荐建模方法，有可能提高准确性并捕捉更复杂的用户行为模式。
排序理由 详细介绍序列推荐新模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
- alphaXiv
- arXiv
- CatalyzeX
- CORE Recommender
- DagsHub
- Gotit.pub
- Hamiltonian Spectral Recommender
- Hugging Face
- Influence Flower
- ScienceCast
- State Space Model
- Transformer++
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
