MovieLens
PulseAugur coverage of MovieLens — every cluster mentioning MovieLens across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
SeqLLM 框架增强 LLM 进行行为序列分析
研究人员开发了 SeqLLM，一个旨在增强大型语言模型 (LLM) 在需要分析文本数据和长行为序列的任务中的框架。SeqLLM 将行为序列建模集成到预训练的 LLM 中，而不会导致灾难性遗忘，它利用离散的事件行为词汇表和轻量级的投影仪进行语义对齐。该方法已成功应用于微信支付的商户风控，显著提高了筛选精度和欺诈检测能力。SeqLLM 在公开推荐基准测试中也表现出色，优于现有基线，同时保持了语言能力。
-
LLM推荐系统易受基于顺序的攻击
研究人员发现，当大型语言模型（LLM）用于推荐系统时，存在重大的安全漏洞。研究表明，即使不改变候选项目的实际内容或标签，LLM接收候选项目呈现的顺序也可以被操纵，从而不公平地推广某些项目。这种“位置偏差”可能被利用来提升不受欢迎的项目进入排名靠前的位置，实验显示推广标签为0的目标成功率高达57%。虽然双向T5编码器和排列一致性正则化可以缓解此风险，但点式评分虽然安全，却会降低整体排名质量。
-
新框架改进推荐系统可解释性
研究人员开发了一个新的推荐系统解释框架，解决了现有事后解释方法的扩展性问题。该方法使用谱双聚类对用户和物品进行分组，允许分析整个交互块。在 MovieLens 和 Amazon 数据集上使用奇异值分解和神经协同过滤模型进行的评估表明，特定的交互块对推荐质量有显著影响，用户细分对这些移除的敏感度各不相同。
-
新框架CoSimRec衡量推荐系统中协同内容放大
研究人员开发了CoSimRec，一个新开发的基于代理的框架，旨在评估推荐系统如何放大协同内容。该框架模拟了反馈循环中的动态排名、用户响应和干预措施，解决了现有静态评估的局限性。CoSimRec引入了算法渗透率（APR）指标来量化目标内容的曝光度和参与度，特别是在协同活动方面。在MIND、MovieLens和LastFM等数据集上的实验表明，基于流行度和反馈敏感的推荐器显著提高了内容渗透率，而同步感知防御可以降低它。
-
新研究通过同伴模型探测解决机器学习过拟合问题
一篇新的研究论文探讨了机器学习中的“过拟合陷阱”，即优化现有用户群体的平台可能导致全局性能任意变差。该论文提出了一种受知识蒸馏启发的“同伴模型探测”算法，允许模型从未选择它们的用户那里学习。如果探测源信息足够丰富，该方法可以收敛到一个风险有界的平稳点，这在MovieLens、Census和Amazon Sentiment数据集的实验中得到了证明。
-
新方法通过图约简和离线学习增强上下文老虎机算法 · 跟踪3个来源
研究人员开发了新的上下文老虎机（contextual bandits）方法，这是一种专注于顺序决策的机器学习问题。一种名为GraphDR-LinUCB的方法利用图降维技术，通过将臂特征投影到谱子空间来提高推荐和广告系统的性能。该方法实现了$\wtO(k\sqrt{T})$的遗憾界限，在多个真实数据集上显著优于全维方法和其他图感知技术。另一个框架，离线估计到决策（Offline Estimation to Decisions, OE2D…
-
新框架利用多目标AI解决推荐系统过滤气泡问题
研究人员开发了一种名为Semantic Pareto-DQN的新型多目标强化学习框架，以对抗推荐系统中的过滤气泡。该方法将用户参与度、信息多样性和提供者公平性视为独立的、不可聚合的奖励信号。在MovieLens数据集上的评估表明，该框架可以在对用户参与度影响最小的情况下，改善多样性和公平性等社会目标，为构建更负责任的推荐系统提供了途径。
-
新框架利用多目标强化学习解决推荐系统过滤气泡问题
研究人员开发了一种新的多目标强化学习框架，以对抗推荐系统中的过滤气泡。该框架称为 Semantic Pareto-DQN，将用户参与度、信息多样性和提供者公平性视为不同的奖励信号，从而避免了单目标优化的局限性。在 MovieLens 数据集上的实证测试表明，这种方法可以在对用户参与度影响很小的情况下，改善多样性和公平性等社会目标。
-
新的 Thompson 采样方法解决了非平稳和私有的上下文赌博机问题
两篇新研究论文介绍了 Thompson 采样在上下文赌博机方面的新方法。一篇题为“面向非平稳上下文赌博机的流校正 Thompson 采样”的论文提出了一种贝叶斯方法，通过基于显式漂移模型进行校正和重新加权来重用历史数据，其性能优于标准的遗忘基线。第二篇论文“AdaPrivate-TS：具有隐私放大的上下文赌博机的私有 Thompson 采样”提出了一种差分私有算法，该算法将 Thompson Sampling 与批处理 zCDP 组合…
-
Lattice系统通过置信门控增强序列预测
研究人员开发了Lattice，一个用于不确定性感知序列预测的新型系统。该混合系统使用置信门控选择性地激活学习到的行为原型，在不确定时回退到基础模型。在MovieLens和Amazon Electronics等数据集上的实验表明，预测准确性显著提高，某些情况下提高了30%以上。
-
CTR-Sink 框架改进了语言模型在点击率预测中的性能
研究人员开发了 CTR-Sink，一个旨在提高语言模型在点击率预测任务中性能的新框架。该方法解决了将语言模型应用于用户行为序列的挑战，因为用户行为序列在结构上与自然语言不同。CTR-Sink 在离散的用户行为之间引入“注意力汇聚”，以帮助模型关注有意义的行为边界和关系，从而提高预测准确性。在工业和开源数据集上的实验证明了该框架的有效性。
-
新框架利用深度矩阵分解增强群组推荐
研究人员推出了一种名为群组秩约束深度矩阵分解（Group Rank-Constrained Deep Matrix Completion, Group RC-DMC）的新框架，旨在改进群组推荐。该方法通过统一低秩结构、基于注意力的非线性建模和显式秩约束来应对稀疏和高维数据的挑战。在MovieLens和Goodbooks数据集上的实验表明，Group RC-DMC相比现有基线模型在准确性和效率方面均表现更优。
-
开发出面向移动设备的注重隐私的联邦推荐系统
研究人员开发了一种新颖的两阶段联邦推荐系统，专为移动设备设计，并优先考虑用户隐私。该系统将敏感的移动上下文数据与非敏感的偏好数据分开，确保高度个人信息保留在用户设备上。基于云的协同过滤模型生成初步推荐，然后使用本地敏感数据进行设备端优化，仅传输模型更新。
-
新算法改进了带噪声的归纳矩阵补全
研究人员开发了一种新的归纳矩阵补全算法，该算法可以处理噪声和不精确的侧信息。该方法基于非凸投影梯度下降和谱初始化，通过关注有效问题规模而非环境维度来降低样本复杂度。该算法的理论发现得到了模拟和MovieLens数据集上的真实世界实验的支持。
-
新研究推进了控制、因果关系和多目标学习的赌博机算法
多篇研究论文探讨了赌博机算法在各个领域的进展。一项研究引入了一个机器学习框架，用于流体式躁动多臂赌博机问题的最优控制，在机器维护和疫情控制等应用中实现了显著的加速。另一篇论文挑战了因果赌博机中图学习的最优性，提出了新的算法，绕过图恢复以改进遗憾最小化。进一步的研究探讨了多目标赌博机的复杂性，表明帕累托遗憾的规模与单目标问题相似，并研究了在具有动态代理人口的开放多代理系统中的赌博机学习。其他工作解决了具有对抗性上下文的约束上下文赌博机、…
-
AEGIS框架增强了边稀疏二分知识图谱中的链接预测
研究人员开发了AEGIS，一个旨在提高稀疏二分知识图谱中链接预测能力的新型框架。这种仅边缘增强的方法通过重采样现有训练边缘，保留原始节点集以避免生成虚假端点。在Amazon、MovieLens以及一个游戏设计模式网络等数据集上的实验表明，AEGIS，特别是结合语义增强时，可以提高预测准确性和校准度，尤其是在存在描述性节点信息的情况下。
-
新的PBiLoss方法提高了图推荐系统的公平性
研究人员开发了一种新的正则化技术PBiLoss，以解决图推荐系统中的流行度偏差问题。该方法旨在通过惩罚过度推荐热门商品来提高公平性，从而促进更个性化的内容。PBiLoss被设计为模型无关的，可以集成到现有的框架中，如LightGCN。实验表明，在保持推荐准确性的同时，流行度偏差指标降低了高达10%。