MovieLens
PulseAugur coverage of MovieLens — every cluster mentioning MovieLens across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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%。