省时查报告-专业、及时、全面的行研报告库
省时查方案-专业、及时、全面的营销策划方案库
【免费下载】2023年1月份热门报告合集
ChatGPT团队背景研究报告
ChatGPT的发展历程、原理、技术架构及未来方向
ChatGPT使用总结：150个ChatGPT提示此模板
ChatGPT数据集之谜
2023年AIGC发展趋势报告：人工智能的下一时代
推荐技术在vivo互联网商业化业务中的实践.pdf
推荐系统基本问题及系统优化路径.pdf
大规模推荐类深度学习系统的设计实践.pdf
荣耀推荐算法架构演进实践.pdf
推荐系统在腾讯游戏中的应用实践.pdf
小红书推荐系统中台应用实践
微信视频号实时推荐技术架构分享
TLDR： 本文针对现有的基于映射的冷启动解决方法存在的模糊协同嵌入的问题，提出了一种基于对比协同过滤的冷启动推荐算法。
论文：https://arxiv.org/abs/2302.02151
代码：https://github.com/zzhin/CCFCRec
冷启动问题一直以来都是推荐系统中长期存在的一个严峻挑战。基于内容的生成模型作为一种有前景的解决方案，通常将冷启动物品的内容特征映射到常规物品的嵌入上，以捕捉物品内容的协同信号，从而可以进一步地应用协同过滤模型。然而，由于冷启动推荐模型的训练是在常规的数据集上进行的，现有的方法面临着物品的协同嵌入特征会被模糊的问题。具体的，现有的方法通常在训练阶段模拟冷启动的情况，即从模型输入中删除常规物品的交互记录，而只保留物品内容特征，这直接导致了模糊的协同嵌入问题（blurry collaborative embeddings），进而大大降低了冷启动物品推荐的性能。
图1给出了一个说明，电影Starsky & Hutch和Rent-A-Cop分别是用户所对应的正样本和负样本。在训练阶段，现有的基于内容的方法将首先嵌入电影的属性，流派和影星，然后通过聚合其属性嵌入来生成电影的基于内容的协同嵌入（CBCE）。当正样本Starsky & Hutch被送入现有模型时，训练算法会将其类型值 "Action "的嵌入优化到用户协同嵌入（UCE）中。相反，负样本Rent-A-Cop的"Action"的嵌入将被远离用户协同嵌入UCE。因此，"Action"的最终嵌入将变得模糊，即与正负样本的 "Action"嵌入都比较像。如果用户实际上喜欢动作片，而仅仅因为不喜欢明星Reynolds而不看Rent-A-Cop，那么'Action'的最终模糊嵌入就会失去用户对动作片的实际偏好，这就不适当地将正样本的协同嵌入拉离并将负样本的协同嵌入推到靠近用户嵌入的位置。
为了解决上述问题，本文提出了一个新的模型，称为基于对比协同过滤的冷启动物品推荐算法CCFCRec，该模型利用常规训练数据中的共现协同信号（co-occurrence collaborative signals）来缓解冷启动物品推荐中协同嵌入模糊的问题。
具体的，该模型设计了一个对比协同过滤框架，由一个content CF模块和一个co-occurrence CF模块组成，分别为一个训练物品生成基于内容的协同嵌入和共现协同嵌入。主要思路是教会CF模块在训练阶段记住共现的协同信号，以及在应用模型时如何根据记住的共现协同信号来纠正冷启动物品的模糊嵌入。在两个CF模块的联合训练过程中，本文在两个协同嵌入之间进行了对比学习，通过对比学习机制，使得有共现信号的知识可以间接地转移到content CF模块中。基于此，模糊的协同嵌入可以通过记忆的共现协同信号进行隐性矫正。
最后，本文结合理论分析，在真实数据集上进行的大量实验验证了所提模型的有效性。
更多细节请点击下方阅读原文精读原始论文。
「 更多干货，更多收获 」
【免费下载】2023年1月份热门报告合集
ChatGPT的发展历程、原理、技术架构及未来方向
《ChatGPT：真格基金分享.pdf》
2023年AIGC发展趋势报告：人工智能的下一时代
推荐系统在腾讯游戏中的应用实践.pdf
推荐技术在vivo互联网商业化业务中的实践.pdf
2023年，如何科学制定年度规划？
《底层逻辑》高清配图
推荐技术在vivo互联网商业化业务中的实践.pdf
推荐系统基本问题及系统优化路径.pdf
荣耀推荐算法架构演进实践.pdf
大规模推荐类深度学习系统的设计实践.pdf
某视频APP推荐策略详细拆解（万字长文）关注我们
智能推荐 个性化推荐技术与产品社区 | 长按并识别关注
|
一个「在看」，一段时光👇
