Bayesian Personalized Ranking
PulseAugur coverage of Bayesian Personalized Ranking — every cluster mentioning Bayesian Personalized Ranking across labs, papers, and developer communities, ranked by signal.
-
新的PCA-GAT方法增强了工业工艺规划推荐
研究人员开发了PCA-GAT，一种通过整合事实和规范工业知识来推荐加工工艺规划的新方法。该方法将工艺规划推荐视为一个知识图增强的协同过滤问题，利用贝叶斯个性化排序作为其学习目标，并使用Recall@K和NDCG@K进行评估。该系统将四种领域约束——材料兼容性、精度要求、特征适用性和操作排序——作为图传播中的注意力偏差，以提高准确性，尤其是在协作信号稀疏的情况下。在航空航天数据集上进行的测试表明，与现有方法相比，PCA-GAT在推荐准确…
-
新的损失函数改进了用于推荐的图神经网络
研究人员开发了一种名为基数分解损失（CDL）的新方法，以提高图神经网络在推荐系统中的性能。传统方法通常使用单一损失函数，如贝叶斯个性化排序（BPR），这可能导致属性嵌入崩溃并对下游任务产生负面影响。CDL 将交叉熵（CE）与 BPR 相结合，以更好地优化具有不同基数的关系，从而提高属性嵌入的可区分性。CDL 的有效性在五个数据集上得到了证明，其性能受到语义对齐和拓扑泄露等图属性的影响。
-
新AI模型RecRec和NAILS通过递归式精炼和规范对齐增强推荐系统
研究人员推出了两种增强推荐系统的新方法。第一种，RecRec，采用递归式精炼来用紧凑的潜在状态对用户偏好进行建模，在效率和准确性方面优于现有模型。第二种，NAILS（通过内部标签偏移对推荐系统进行规范对齐），提供了一种在不重新训练现有系统的情况下，将推荐输出与期望的属性分布（如公平性或多样性）对齐的方法。此外，SISA-Rec将语义项信息集成到基于Transformer的模型中，以提高性能，尤其是在稀疏和冷启动场景下。