【论文推荐】最新六篇用户建模精选论文推荐—深度多模态融合、跨平台、时序性RNN、ATRank、嵌入因子分解、异构信息网络

【导读】专知内容组整理了最近六篇用户建模相关文章,为大家进行介绍,欢迎查看!

1. User Profiling through Deep Multimodal Fusion



 

论文链接:

http://faculty.washington.edu/mdecock/papers/gfarnadi2018a.pdf

社交媒体中的用户特征分析由于其在广告、营销、招聘和执法等方面的不同应用而引起了广泛的关注。在各种用户建模技术中,对于如何合并用户数据的多个来源或模式(如文本、图像和关系)以获得更准确的用户描述,现有的工作相当有限。在本文中,作者提出了一种深度学习方法,利用不同的模态来抓取和混合用户信息。本文提出的混合用户特征分析框架利用模式之间的共享表示,在特征级别整合三个数据源,并结合不同网络在决策级别对数据源的每个组合进行操作的决策。作者在超过5k的Facebook用户上的实验结果表明,该方法在年龄、性别和人格特征推断方面优于其他的方法。简而言之,本文关于如何利用多源异构的数据源进行用户画像,用深度网络进行多源数据的融合,在大五人格的心理画像和Facebook 数据上的画像效果都不错。

2. CrossFire:Cross Media Joint Friend and Item Recognition




论文链接:

http://www.public.asu.edu/~skai2/papers/wsdmf325-shuA.pdf

社交媒体网站上的好友和项目推荐是一项重要的任务,不论是对用户还是社交平台的提供者。然而,新推出的社交媒体网站的推荐任务极具挑战性,因为它们经常缺乏用户的历史数据,存在数据稀疏和冷启动问题。因此,开发辅助信息以帮助提高这些平台的推荐性能很重要。从其他成熟的社交平台转移的知识,通常需要重叠的用户或类似的项目来确保有效的知识转移,然而这些假设在实践中可能不成立,因为1)由于用户配置文件、内容和网络数据的异构性,重叠的用户集往往不可用,而且识别成本很高;2)不同的方案显示跨平台的项目属性导致属性值不一致、不完整及存在噪音。在两个社交媒体平台之间没有直接关联的情况下,如何传递知识仍然是一个挑战。我们可以利用的另一个辅助信息是平台内社会关系和打分偏好之间的互利性。用户-用户关系被广泛用作改进项目推荐的辅助信息,而如何利用用户-项目交互来推荐好友则有许多限制。为了应对这些挑战,作者提出了一种跨平台的好友和项目推荐框架(CrossFire),既能捕捉跨平台知识的转移,又能捕捉到用户与用户之间、用户项目交互之间的平台内相关性,在真实世界数据集上的实证结果证明了该框架的有效性。

3. Latent Cross: Making Use of Context in Recurrent Recommender System




论文链接:

http://alexbeutel.com/papers/wsdm2018_latent_cross.pdf

推荐系统的成功往往取决于它们理解和利用推荐需求的上下文的能力。研究的重点集中在时间、位置、交互和大量其他上下文特征如何影响推荐。然而,在使用深度神经网络进行推荐时,研究人员往往忽略这些上下文,或者将它们作为普通特征纳入模型中。本文研究了如何有效地处理神经推荐系统中的上下文数据,首先对前馈推荐中的传统语境特征进行了实证分析,并证明了这种方法在捕捉常见特征交叉时效率低下,因此作者设计了一种state-of-the-art 的RNN推荐系统.。文中首先描述了作者在YouTube上使用的基于RNN的推荐系统,接着提出了一种易于使用的“潜在交叉”技术,通过先嵌入上下文特征,然后执行上下文嵌入模型隐藏状态的元素乘积,将上下文数据合并到RNN中。作者在多个实验环境中使用这种潜在交叉技术,证明其有效性。

4. ATRank: An Attention-Based User Behavior Modeling Framework for Recommendation




论文链接:

https://arxiv.org/abs/1711.06632

代码:

https://github.com/jinze1994/ATRank

用户可以表示为他/她在历史过程中所做的事情。解决用户建模问题的一个常见方法是手工提取异构行为上的各种聚集特征,由于人类本能的限制,这些特征可能无法完全表示数据本身。最近的工作通常使用基于RNN的方法来给出一个行为序列的整体嵌入,然后可以被下游应用程序所利用。然而,这只能保存非常有限的信息。当下游应用程序需要方便建模的用户特征时,它可能会丢失用户特定的高度相关行为的完整性,并引入来自不相关行为的噪声。本文提出了一种基于注意力(Attention)的用户行为建模框架ATRank,主要用于推荐任务。该模型考虑了异构用户行为,将所有类型的行为投影到多个潜在的语义空间中,通过自我注意(Self-attention)在这些行为之间产生影响。然后,下游应用程序可以通过普通注意力(Vanilla attention)使用用户行为向量。实验结果表明,ATRank算法具有更好的性能和更快的训练速度。作者进一步探索了ATRank 并使用了一个统一模型同时预测不同类型的用户行为,显示出与高度优化的单个模型具有可比性的性能。

5. Embedding Factorization Models for Jointly Recommendation Items and User Generated Lists




论文链接:

http://www.comp.nus.edu.sg/~xiangnan/papers/sigir17-EmbeddingMF.pdf

现有的推荐算法主要集中在通过用户-项目交互来推荐单个项目。然而,很少有人注意推荐用户生成的列表(例如播放列表和图书列表)。一方面,用户生成的列表包含丰富的项目共生(item co-occurrence)信息,因为列表中的项目通常是根据特定的主题来收集的。另一方面,用户对列表的偏好也表明了她\他对列表中项目的偏好。作者认为,如果用户生成的列表中丰富的相关性信息能够得到适当的利用,可以增强对单个项目的推荐;2)如果用户-项目和用户-列表交互得到适当利用,并且发现列表与包含的项之间的关系,则可以相互增强用户-项和用户-列表推荐的性能。


为此,作者设计了嵌入因式分解模型,将项目(项-项-列表)共生信息与基于嵌入(Embedding)的算法相结合,扩展了传统的因式分解方法。具体而言,作者使用因式分解模型来捕捉用户对项目和列表的偏好,并利用基于嵌入的模型来发现项目和列表之间的共现信息,通过共享项目的潜在因素来弥补这两类模型之间的差距。值得注意的是,作者提出的框架能够解决新项目的冷启动问题,在这个问题上,项目从来没有被用户消费或使用过,但该项目仍然会存在于用户生成的列表中。总体性能比较和微观层次分析表明,作者提出的方法具有很好的性能。

6. Heterogeneous Information Network Embedding for Recommendation



 

论文链接:

https://arxiv.org/abs/1711.10730

由于在数据异构性建模方面的灵活性,在推荐系统中采用异构信息网络(HIN)来描述复杂和异构的辅助数据,称为基于HIN的推荐。在HINs信息的提取和开发中,开发基于HIN的推荐方法是一项具有挑战性的工作。多数基于HIN的推荐方法依赖于基于路径的相似度,不能完全挖掘用户和项目的潜在结构特征。在本文中,作者提出了一个新的基于异构网络嵌入(heterogeneous network embedding)的方法,称为HERec。作者设计了一个基于元路径的随机游走策略来生成网络嵌入的有意义的节点序列。学习到的节点表示由一组融合函数进行转换,并集成到一个扩展的矩阵分解(MF)模型。扩展的MF模型与融合函数联合对评分预测任务进行优化。在三个真实数据集上的大量实验证明了该模型的有效性,证明了该模型对于冷启动问题的能力,并表明HINs转换的嵌入信息可以提高推荐性能。

-END-

专 · 知

人工智能领域主题知识资料查看获取【专知荟萃】人工智能领域26个主题知识资料全集(入门/进阶/论文/综述/视频/专家等)

同时欢迎各位用户进行专知投稿,详情请点击

诚邀】专知诚挚邀请各位专业者加入AI创作者计划了解使用专知!

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料

请扫一扫如下二维码关注我们的公众号,获取人工智能的专业知识!

请加专知小助手微信(Rancho_Fang),加入专知主题人工智能群交流!

点击“阅读原文”,使用专知

展开全文
Top
微信扫码咨询专知VIP会员