主题: Context Adaptation with Session‐based Recommenders

简介: 在各种社会科学和技术学科中,上下文信息已被广泛认为是重要的建模维度。 尽管已经在上下文感知推荐器系统(CARS)领域进行了大量研究,但是许多现有方法都集中于将推荐的预定义和静态上下文因素纳入代表性视图处理。本报告介绍了CARS的挑战以及未来的研究算法的类别。

嘉宾介绍: Dietmar Jannach是奥地利AAU Klagenfurt的信息系统专业教授。 在2017年加入AAU之前,他是德国多特蒙德理工大学的计算机科学教授。 在他的研究中,他专注于将智能系统技术应用于实际问题以及开发用于构建知识密集型软件应用程序的方法。 在过去的几年中,Dietmar Jannach致力于推荐系统的各个实际方面。 他是2010年剑桥大学出版社出版的第一本有关该主题的教科书的主要作者,并且是一家技术初创公司的联合创始人,该公司创建了屡获殊荣的交互式咨询解决方案产品。

成为VIP会员查看完整内容
0
26

相关内容

Dietmar Jannach是奥地利Ala Klagenfurt的信息系统专业教授。 在2017年加入AAU之前,他是德国多特蒙德理工大学的计算机科学教授。 在他的研究中,他专注于将智能系统技术应用于实际问题以及开发用于构建知识密集型软件应用程序的方法。 在过去的几年中,Dietmar Jannach致力于推荐系统的各个实际方面。 他是2010年剑桥大学出版社出版的第一本有关该主题的教科书的主要作者,并且是一家技术初创公司的联合创始人,该公司创建了屡获殊荣的交互式咨询解决方案产品。

近年来,序列推荐系统这一新兴的研究课题越来越受到人们的关注。与传统的推荐系统(包括协同过滤和基于内容的过滤)不同,SRSs试图理解和建模连续的用户行为、用户和条目之间的交互、以及用户偏好和条目受欢迎程度随时间的变化。SRSs涉及到以上几个方面,可以更准确地描述用户上下文、意图和目标,以及物品的消费趋势。我们首先介绍了SRSs的特点,然后对该研究领域的关键挑战进行了总结和分类,接着是相应的研究进展,包括该课题最新的和有代表性的进展。最后,讨论了该领域的重要研究方向。

成为VIP会员查看完整内容
0
64

摘要

推荐系统是一种软件应用程序,它可以帮助用户在信息过载的情况下找到感兴趣的主题。当前的研究通常假设一个一次性的交互范式,其中用户偏好是根据过去历史观察到的行为来估计的,并且按照等级排序的推荐列表是用户交互的主要的且是单向的形式。对话推荐系统(CRS)采用了一种不同的方法,支持更丰富的交互。例如,这些交互可以帮助改进偏好激发过程,或者允许用户询问关于推荐的问题并给出反馈。对CRS的兴趣在过去几年里显著增加。这种发展主要是由于自然语言处理领域的重大进展,新的语音控制家庭助手的出现,以及聊天机器人技术的增加使用。在本文中,我们详细介绍了现有的对话推荐方法。我们将这些方法按不同的维度进行分类,例如,根据支持的用户意图或用户在后台使用的知识。此外,我们还讨论了技术方法,回顾了CRS的评估方法,并最终确定了一些在未来值得更多研究的差距。

介绍

推荐系统是人工智能在实践中最明显的成功案例之一。通常,这些系统的主要任务是为用户指出感兴趣的潜在主题,例如电子商务网站。因此,它们不仅可以在信息超载的情况下帮助用户,还可以对服务提供商的业务做出重大贡献。 在这些实际应用中,推荐是一个一次性的交互过程。通常,底层系统会随着时间的推移监视其用户的行为,然后在预定义的导航情况下(例如,当用户登录到服务时)提供一组定制的建议。尽管这种方法在各个领域都很常见,也很有用,但是它可能有一些潜在的限制。例如,在许多应用程序场景中,用户首选项无法从其过去的交互中可靠地估计出来。对于高介入的产品(例如,当推荐一款智能手机时),我们甚至可能完全没有过去的观察结果。此外,在一组建议中包含哪些内容可能与上下文高度相关,而且可能很难自动确定用户的当前情况或需求。最后,另一个假设通常是,当用户登录网站时,他们已经知道自己的偏好。然而,这未必是真的。例如,用户可能只在决策过程中确定他们的首选项,例如,当他们意识到选项的空间时。在某些情况下,他们也可能只在与推荐者的交互过程中了解这块内容和可用的选项。 对话推荐系统(CRS)是可以帮助解决这些的挑战中的许多这样的问题。一般来说,这种系统的总体思想是支持与用户进行面向任务的多回合对话。例如,在这样的对话中,系统可以引出用户当前的详细偏好,为主题推荐提供解释,或者处理用户对所提建议的反馈。 鉴于这类系统的巨大潜力,对CRS的研究已经有了一定的传统。早在20世纪70年代末,Rich就设想了一个电脑化的图书管理员,通过用自然语言互动地向用户提问有关他们的个性和偏好的问题,向他们提出阅读建议。除了基于自然语言处理(NLP)的接口外,近年来还提出了多种基于表单的用户接口。CRS中较早的基于这些接口的交互方法之一称为critiquing,它在1982年就被提出作为数据库领域的查询重新制定的一种方法。在critiquing方法中,用户很快会在对话中看到一个建议,然后可以对这些建议应用预先定义的评论。 基于表单的方法通常很有吸引力,因为用户可以使用的操作是预先定义的、明确的。然而,这样的对话也可能出现非自然的,用户可能在表达他们的偏好的方式上感到约束。另一方面,基于NLP的方法在很长一段时间内受到了现有的限制,例如在处理语音命令的上下文中。然而,近年来,语言技术取得了重大进展。因此,我们现在习惯于向智能手机和数字家庭助手发出语音命令,这些设备的识别精度已经达到了令人印象深刻的水平。与语音助手领域的这些发展相对应,我们注意到聊天机器人技术在最近几年的快速发展。聊天机器人,无论是简单的还是复杂的,通常也能处理自然语言,现在广泛应用于各种应用领域,例如,处理客户服务请求。 这些技术的进步导致在过去几年中对CRS的兴趣增加。然而,与以前的许多方法相比,我们注意到今天的技术建议更多地是基于机器学习技术,而不是遵循预先定义的对话路径,用于确定要向用户询问的下一个问题。然而,通常在语音助手和聊天机器人的功能与支持真正的对话推荐场景(如系统是语音控制的)所需的功能之间仍然存在差距。 本文从不同的角度对对话推荐系统的文献进行了综述。具体地说,我们将讨论(i)CRS的交互模式(第3节),(ii)CRS基于的知识和数据(第4节), 和(iii)CRS中典型的计算任务(第5节)。然后,我们讨论CRS的评估方法(第6节),最后展望未来的发展方向。

对话系统的特征描述

关于什么是CRS,文献中没有一个公认的定义。在这项工作中,我们使用以下定义。 CRS是一个软件系统,它支持用户通过多回合的对话来实现推荐相关的目标。

CRS的概念架构:在过去的二十年中,人们提出了各种CRS模型的技术途径。这些解决方案的技术体系结构的细节取决于系统的功能,例如,是否支持语音输入。尽管如此,仍然可以确定此类体系结构的许多典型概念组件,如图1所示。

CRS交互模式

最近对CRS的兴趣是由NLP的发展和技术进步(如宽带移动互联网接入和智能手机和家庭助手等新设备)推动的。然而,我们对文献的回顾表明,用户和CRS之间的交互既不局限于自然语言输入和输出,也不局限于特定的设备。

知识和背景数据

根据所选择的技术方法,CRS必须结合各种类型的知识和背景数据才能发挥作用。显然,像任何推荐人一样,必须有关于推荐项目的知识。同样,推荐的生成要么基于明确的知识,例如推荐规则或约束,要么基于在一些背景数据上训练的机器学习模型。然而,对话系统通常依赖于其他类型的知识,例如对话中的可能状态,或者用于训练机器学习模型的数据,如记录和转录的自然语言推荐对话。

计算任务

在讨论了推荐对话中可能的用户意图之后,我们现在将回顾CRS的常见的计算任务和技术方法。我们区分(i)主要任务,即那些与推荐过程更直接相关的,例如,计算推荐或确定下一个要问的问题,以及(ii)额外的支持任务。

介绍对话系统的评价

一般情况下,推荐系统可以通过不同的方法从不同的维度进行评价。首先,当系统在其使用上下文中进行评估时,即,当它被部署时,我们通常最感兴趣的是通过A/B测试来衡量系统是否达到了设计目标的具体关键性能指标(KPI),例如,增加的销售数字或用户参与度。其次,用户研究(实验室实验)通常调查与系统感知质量相关的问题。常见的质量维度是建议的适宜性、流程的可感知透明性或易用性。最后,计算性实验不需要用户参与评估,而是基于客观指标来评估质量,例如,通过测量建议的多样性或计算运行时间来预测测试集中的辅助评级的准确性。同样的质量维度和研究方法也适用于CRS。然而,在比较面向算法的研究和对话系统的研究时,我们发现评估的主要焦点往往是不同的。由于CRS是高度交互的系统,因此与人机交互有关的问题更常用于这些系统的研究。此外,在测量方法方面,CRS评估不仅关注任务的完成,即,如果建议是合适的或最终被接受的,但也涉及到与谈话本身的效率或质量有关的问题。

总结和未来工作

总的来说,我们的研究表明,CRS领域在过去几年中出现了一定程度的复兴,其中最新的方法依赖于机器学习技术,尤其是深度学习和基于自然语言的交互。考虑到语音控制系统(如智能音箱)最近的兴起,以及聊天机器人系统的日益普及,我们预计在未来几年将看到对CRS的更多研究。虽然在某些方面取得了重大进展,但仍有许多领域需要进行更多的研究。在接下来的文章中,我们将概述一些有待解决的问题以及该领域未来可能的发展方向。 第一个问题涉及模式的选择。尽管近年来,“自然语言”越来越流行,但究竟哪种情况下“自然语言”才是最好的选择,目前还不完全清楚。需要进行更多的研究来了解哪种模式适合当前给定的任务和情况,或者是否应该向用户提供替代模式。一个有趣的研究方向还在于解释用户的非言语交际行为。此外,完全基于语音的CRS也有一定的局限性,例如,在一个交互周期中提供完整的推荐集合。在这种情况下,用户可能希望对一组推荐进行总结,因为在大多数情况下,当CRS向用户推荐过多(例如多于两三个)选项时,这可能没有意义。

成为VIP会员查看完整内容
0
95

题目: A Survey on Knowledge Graph-Based Recommender Systems

摘要:

为了解决信息爆炸问题,提高用户在各种在线应用中的体验,人们开发了推荐系统来模拟用户的偏好。尽管人们已经为更个性化的推荐做了很多努力,但是推荐系统仍然面临着一些挑战,如数据稀疏和冷启动。近年来,以知识图为辅助信息的推荐生成引起了人们的极大兴趣。这种方法不仅可以缓解上述问题,使推荐更加准确,而且可以为推荐项目提供解释。本文对基于知识图的推荐系统进行了系统的研究。我们收集了最近在这一领域发表的论文,并从两个角度对其进行了总结。一方面,我们通过研究论文如何利用知识图进行精确和可解释的推荐来研究所提出的算法。另一方面,我们介绍了这些工作中使用的数据集。最后,提出了该领域的几个潜在研究方向。

成为VIP会员查看完整内容
0
122

Recommender systems often face heterogeneous datasets containing highly personalized historical data of users, where no single model could give the best recommendation for every user. We observe this ubiquitous phenomenon on both public and private datasets and address the model selection problem in pursuit of optimizing the quality of recommendation for each user. We propose a meta-learning framework to facilitate user-level adaptive model selection in recommender systems. In this framework, a collection of recommenders is trained with data from all users, on top of which a model selector is trained via meta-learning to select the best single model for each user with the user-specific historical data. We conduct extensive experiments on two public datasets and a real-world production dataset, demonstrating that our proposed framework achieves improvements over single model baselines and sample-level model selector in terms of AUC and LogLoss. In particular, the improvements may lead to huge profit gain when deployed in online recommender systems.

0
4
下载
预览

** 简介:**

推荐方法构造了预测模型,以估计用户与项目交互的可能性。先前的模型在很大程度上遵循一般的监督学习范式-将每个交互视为一个单独的数据实例,并基于“信息孤岛”进行预测。但是,此类方法忽略了数据实例之间的关系,这可能导致性能欠佳,尤其是对于稀疏场景。此外,建立在单独数据实例上的模型几乎无法显示出推荐背后的原因,从而使过程难以理解。

在本教程中,我们将从图学习的角度重新审视推荐问题。可以将用于推荐的通用数据源组织成图形,例如用户-项目交互(二分图),社交网络,项目知识图(异构图)等。这种基于图的组织将孤立的数据实例连接起来,从而为利用高阶连通性带来了好处,这些高阶连通性对有意义的模式进行了编码,以进行协作过滤,基于内容的过滤,社会影响力建模和知识感知推理。结合图神经网络(GNN)的最新成功,基于图的模型已展现出成为下一代推荐系统技术的潜力。本教程对基于图的学​​习方法进行了回顾,以提出建议,特别关注GNN的最新发展和知识图谱增强的建议。通过在本教程中介绍这个新兴而有前途的领域,我们希望观众可以对空间有深入的了解和准确的见解,激发更多的想法和讨论,并促进技术的发展。

目录:

作者简介:

王翔是新加坡国立大学(NUS)计算机学院的研究员。 他获得了博士学位。 他于2019年获得国大计算机科学博士学位。他的研究兴趣包括推荐系统,信息检索和数据挖掘。 在SIGIR,KDD,WWW和AAAI等顶级会议上,他拥有20多种出版物,包括TOIS和TKDE等期刊。 他曾担任CCIS 2019的本地主席,包括SIGIR,CIKM和MM在内的顶级会议的PC成员以及TKDE和TOIS等著名期刊的定期审稿人。

成为VIP会员查看完整内容
0
83

题目

上下文感知推荐系统的图卷积机:Graph Convolution Machine for Context-aware Recommender System

关键字

图卷积,编码器与解码器,上下文感知,深度学习,推荐系统

简介

推荐的最新进展表明,可以通过在用户项目交互图上执行图卷积来学习更好的用户和项目表示形式。但是,这种发现主要限于协作过滤(CF)场景,在该场景中无法使用交互上下文。在这项工作中,我们将图卷积的优势扩展到了上下文感知推荐系统(CARS,代表了可以处理各种辅助信息的通用类型的模型)。我们提出了图卷积机(GCM),它是一个由以下组成的端到端框架:三个组件:编码器,图卷积(GC)层和解码器。编码器将用户,项目和上下文投影到嵌入向量中,然后将其传递到GC层,以利用上下文感知的图卷积在用户项图中对用户和项目嵌入进行细化。解码器通过考虑用户,项目和上下文嵌入之间的交互,提取经过精炼的嵌入以输出预测分数。我们对Yelp的三个真实数据集进行了实验,验证了GCM的有效性以及对CARS执行图形卷积的好处。

作者

Jiancan Wu,Xiangnan He,Xiang Wang,Qifan Wang,Weijian Chen,JianxunLian,Xing Xie,Yongdong Zhang来自中国科学技术大学

成为VIP会员查看完整内容
0
60

论文题目: Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation

论文摘要:

最近关于推荐的研究主要集中在探索最先进的神经网络,以提高模型的表达能力,同时通常采用负抽样(NS)策略来提高学习效率。尽管有效,现有方法中有两个重要问题没有得到充分考虑:1) NS波动剧烈,基于抽样的方法在实际应用中难以获得最优的排序性能;2)尽管异构反馈(如查看、单击和购买)在许多在线系统中广泛存在,但大多数现有方法仅利用一种主要类型的用户反馈,如购买。在这项工作中,我们提出了一种新的非抽样转移学习解决方案,命名为高效异构协同过滤(EHCF),用于Top-N推荐。它不仅可以对细粒度的用户-项目关系进行建模,而且可以从整个异构数据(包括所有未标记的数据)中高效地学习模型参数,并且具有较低的时间复杂度。对三个真实数据集的大量实验表明,EHCF在传统(单一行为)和异构场景中都显著优于最先进的推荐方法。此外,EHCF在培训效率方面有显著的改进,使其更适用于真实世界的大型系统。我们的实现已经发布,以促进更有效的基于全数据的神经方法的进一步发展。

论文作者:

张敏博士是清华大学计算机科学与技术系的终身副教授,专门从事网络搜索和推荐以及用户建模。她是计算机系智能技术与系统实验室副主任,清华-MSRA媒体与搜索实验室执行主任。她还担任ACM信息系统事务(TOIS)的副编辑,SIGIR 2019教程主席,SIGIR 2018短论文主席,WSDM 2017项目主席等。发表论文100余篇,被引用次3500余次,H指数32分。2016年获北京市科技奖(一等奖),2018年获全国高校计算机科学优秀教师奖等。她还拥有12项专利,并与国内外企业进行了大量的合作。

马少平是清华大学智能技术与系统国家重点实验室计算机科学与技术系教授,研究领域为智能信息处理, 信息检索。主要研究兴趣是智能信息处理,主要集中在信息检索与Web信息挖掘等方面,尤其研究基于网络用户行为分析的语义挖掘,以改进搜索引擎的性能。

成为VIP会员查看完整内容
0
51

主题: Building Useful Recommender Systems for Tourists

简介: 推荐系统是信息搜索和过滤工具,应为要使用的项目提供建议。 最先进的推荐系统利用数据挖掘和信息检索技术来预测商品在多大程度上适合用户的需求和需求,但是通常它们最终会提出明显而无趣的建议,尤其是在复杂领域(例如旅游业)。 在演讲中,将介绍典推荐器系统的思想和技术。 我们将讨论为游客建立有用的推荐系统所需的一些关键要素。 因此,我们将指出推荐系统研究的一些局限性和挑战。 然后,我们将介绍一些新颖的技术,这些技术利用从观察到的游客行为中收集的数据来生成更有用的个人和团体推荐。

嘉宾介绍: Francesco Ricci博士是Bozen-Bolzano自由大学(意大利)的正教授兼计算机科学学院院长。他与他人共同编辑了《推荐系统手册》(Springer,2011年,2015年),并作为ACM推荐系统会议(2007年至2010年)指导委员会主席在社区中积极工作。他(2000年至2006年)曾是ITC-irst(意大利特伦托)的电子商务和旅游业研究实验室(eCTRL)的高级研究员和技术总监。从1998年到2000年,他是Sodalia s.p.a.的研究和技术部门的系统架构师。

成为VIP会员查看完整内容
0
26

Recommender systems are widely used in big information-based companies such as Google, Twitter, LinkedIn, and Netflix. A recommender system deals with the problem of information overload by filtering important information fragments according to users' preferences. In light of the increasing success of deep learning, recent studies have proved the benefits of using deep learning in various recommendation tasks. However, most proposed techniques only aim to target individuals, which cannot be efficiently applied in group recommendation. In this paper, we propose a deep learning architecture to solve the group recommendation problem. On the one hand, as different individual preferences in a group necessitate preference trade-offs in making group recommendations, it is essential that the recommendation model can discover substitutes among user behaviors. On the other hand, it has been observed that a user as an individual and as a group member behaves differently. To tackle such problems, we propose using an attention mechanism to capture the impact of each user in a group. Specifically, our model automatically learns the influence weight of each user in a group and recommends items to the group based on its members' weighted preferences. We conduct extensive experiments on four datasets. Our model significantly outperforms baseline methods and shows promising results in applying deep learning to the group recommendation problem.

0
12
下载
预览
小贴士
相关VIP内容
相关资讯
Python推荐系统框架:RecQ
专知
12+阅读 · 2019年1月21日
推荐系统
炼数成金订阅号
25+阅读 · 2019年1月17日
大讲堂 | 深度强化学习在电商推荐中的应用
AI研习社
7+阅读 · 2018年11月8日
【推荐】RecSys 2017深度总结
LibRec智能推荐
5+阅读 · 2018年3月19日
【推荐系统】融合 MF 和 RNN 的电影推荐系统
产业智能官
23+阅读 · 2018年1月4日
融合 MF 和 RNN 的电影推荐系统
PaperWeekly
7+阅读 · 2017年12月28日
推荐中的序列化建模:Session-based neural recommendation
机器学习研究会
14+阅读 · 2017年11月5日
相关论文
Qingyu Guo,Fuzhen Zhuang,Chuan Qin,Hengshu Zhu,Xing Xie,Hui Xiong,Qing He
82+阅读 · 2020年2月28日
Mi Luo,Fei Chen,Pengxiang Cheng,Zhenhua Dong,Xiuqiang He,Jiashi Feng,Zhenguo Li
4+阅读 · 2020年2月13日
Han Zhu,Xiang Li,Pengye Zhang,Guozheng Li,Jie He,Han Li,Kun Gai
8+阅读 · 2018年5月21日
Yongfeng Zhang,Xu Chen
10+阅读 · 2018年5月13日
Tran Dang Quang Vinh,Tuan-Anh Nguyen Pham,Gao Cong,Xiao-Li Li
12+阅读 · 2018年4月18日
Massimo Quadrana,Paolo Cremonesi,Dietmar Jannach
8+阅读 · 2018年2月23日
Huan Zhao,Quanming Yao,Yangqiu Song,James Kwok,Dik Lun Lee
10+阅读 · 2018年1月8日
Xiangyu Zhao,Liang Zhang,Zhuoye Ding,Dawei Yin,Yihong Zhao,Jiliang Tang
12+阅读 · 2018年1月5日
Jing Li,Pengjie Ren,Zhumin Chen,Zhaochun Ren,Jun Ma
5+阅读 · 2017年11月13日
Shuai Zhang,Lina Yao,Aixin Sun
4+阅读 · 2017年8月3日
Top