推荐系统通常从用户项目偏好数据(如评级和点击)中学习。这种信息在本质上是稀疏的,即,观察到的用户-项目偏好通常只代表可能的交互的不到5%。缓解数据稀疏性的一个有希望的方向是利用辅助信息,这些辅助信息可能编码关于用户如何消费商品的额外线索。这类数据(称为模态)的例子包括社交网络、商品的描述性文本、产品图片。本教程的目的是全面回顾最近的进展,以表示、转换和合并不同的模态到推荐模型中。此外,通过实际操作,我们考虑跨模态比较,以调研不同方法和模态的重要性。实际操作将通过Cornac (https://cornac.preferred.ai)进行,这是一个多模态推荐系统的比较框架。

本教程的结构如下。在概述了偏好模型的重要家族之后,我们将讨论如何将多模态推荐系统与代表特定模态的模型(用户-项目偏好之外的辅助数据)结合起来设计。随后,我们深入研究三个主要的感兴趣的模态,即:文本、图像和图形,同时识别在每个模态下的相关算法。接下来是对跨模态使用的调研,包括应该依赖哪个模态,为一种模态设计的模型是否可以与另一种模态工作,以及为给定模态使用哪个模型。

本教程适用于寻求应用经验的实践者,以及对多模态推荐系统近期和未来研究方向感兴趣的研究人员。要求具备Python和机器学习的基本知识。虽然熟悉推荐系统是加分项,但不是必须的。请带上你自己的笔记本电脑。

目录内容:

推荐系统概述 Brief overview of recommender systems (20 minutes) 多模态推荐系统导论 Introduction to multimodal recommender systems (20 minutes) Hands-on: Starting with the Cornac framework (10 minutes) 模态探究 Exploration into each modality (90 minutes):

  • Text modality
  • Image modality
  • Network modality

跨模态利用 Cross-modal utilization (30 minutes) Future directions (10 minutes)

成为VIP会员查看完整内容
0
34

相关内容

推荐系统能够为每个用户提供个性化的建议,已经成为缓解我们日常生活中信息过载问题不可或缺的工具,尤其是在许多面向用户的在线服务中。它不仅方便了用户寻找信息,也让内容提供者有了更多的盈利潜力。近年来,在深度神经网络(DNNs)的成功推动下,推荐技术在DNNs范式下取得了良好的性能。然而,现有的基于DNN的方法在实践中存在一些缺陷。更具体地说,它们将每个交互视为一个单独的数据实例,并忽略实例之间的关系。同时,他们将推荐过程视为一个静态过程,采用固定的贪婪策略进行推荐。此外,大多数现有的基于DNN的推荐系统都是基于手工制作的特征、超参数和深度神经网络架构。此外,大多数现有的深度推荐系统都容易受到对抗性攻击。

在本教程中,我们旨在全面综述在深度推荐系统中解决上述问题的先进技术的最新进展,包括图神经网络(GNNs)、深度强化学习(DRL)和自动机器学习(AutoML)。同时,我们将为推荐系统引入对抗性攻击。通过这种方式,我们希望来自三个领域的研究人员对空间有一个深入的理解和准确的洞察,激发更多的想法和讨论,并在推荐中推广技术。

https://lovvge.github.io/Forecasting-Tutorial-IJCAI-2021/

目录:

Introduction 导论 Fundamentals of Deep Recommender Systems 深度推荐系统基础 Reinforcement Learning for Recommender Systems 强化学习推荐系统 Graph Neural Networks for Recommendations 图神经网络推荐 Automated Machine Learning (AutoML) for Recommendations 自动机器学习推荐 Adversarial Attacks for Recommender Systems 推荐系统对抗攻击 Deep Recommendations: Future Directions (Trustworthy RecSys) 深度推荐未来

成为VIP会员查看完整内容
0
41

时间序列预测是商务流程自动化和优化的关键因素。在零售领域,决定订购哪些产品以及将它们存储在哪里取决于对不同地区未来需求的预测; 在云计算中,对服务和基础设施组件未来使用量的估计指导容量规划;仓库和工厂的劳动力调度需要预测未来的工作量。最近几年见证了预测技术和应用的范式转变,从计算机辅助的模型和假设到数据驱动和完全自动化。这种转变可以归因于大量的可用性,丰富、多样的时间序列数据来源和导致一组需要解决的挑战,如下:我们如何建立统计模型有效地和有效地学习预测大型和多样化数据来源?在观测有限的情况下,我们如何利用“相似”时间序列的统计能力来改进预测?建立能够处理大数据量的预测系统意味着什么? 本教程的目的是为解决大规模预测问题提供一个简明直观的概述,介绍最重要的方法和工具。我们回顾了经典时间序列建模和现代方法的现状,特别关注预测的深度学习。此外,我们还讨论了预测、评价的实际方面,并提供了实例问题。我们的重点是提供一个直观的方法概述和实际问题,我们将通过案例研究说明。作为一个补充,我们通过Jupyter提供自学的交互式材料。

成为VIP会员查看完整内容
0
83

推荐系统在我们的日常生活中发挥着越来越重要的作用,特别是在许多以用户为导向的在线服务中,推荐系统在缓解信息过载问题方面发挥着重要作用。推荐系统的目标是通过利用用户和物品的交互来提高匹配的准确性,识别出一组最符合用户显性或隐性偏好的对象(即物品)。

随着深度神经网络(DNNs)在过去几十年的快速发展,推荐技术已经取得了良好的性能。然而,现有的基于DNN的方法在实践中存在一些缺陷。更具体地说,他们认为推荐过程是一个静态的过程,并按照一个固定的贪心策略进行推荐; 现有的大多数基于DNN的推荐系统都是基于手工制作的超参数和深度神经网络架构;它们将每个交互视为单独的数据实例,而忽略了实例之间的关系。

在本教程中,我们将全面介绍深度推荐系统中解决上述问题的先进技术的最新进展,包括深度强化学习(DRL)、自动机器学习(AutoML)和图神经网络(GNN)。

通过这种方式,我们希望这三个领域的研究人员能够对空间有更深刻的理解和准确的洞察,激发更多的想法和讨论,促进推荐技术的发展。

https://deeprs-tutorial.github.io/

成为VIP会员查看完整内容
0
88

多模态信息抽取,Multi-modal Information Extraction from Text, Semi-structured, and Tabular Data on the Web

Organizers: Xin Luna Dong, Hannaneh Hajishirzi, Colin Lockard and Prashant Shiralkar

万维网以多种形式包含大量的文本信息:非结构化文本、基于模板的半结构化网页(以键-值对和列表的形式呈现数据)和表格。从这些资源中提取信息并将其转换为结构化形式的方法一直是自然语言处理(NLP)、数据挖掘和数据库社区研究的目标。虽然这些研究人员已经很大程度上根据数据的模态将web数据的提取分离到不同的问题中,但他们也面临着类似的问题,比如使用有限的标记数据进行学习,定义(或避免定义)本体,利用先验知识,以及针对web规模的缩放解决方案。在本教程中,我们将从整体的角度来看待信息抽取,探索挑战中的共性,以及为解决这些不同形式的文本而开发的解决方案。

地址:

https://sites.google.com/view/acl-2020-multi-modal-ie

成为VIP会员查看完整内容
0
82

论文题目: Adversarial Attacks and Defenses in Images, Graphs and Text: A Review

简介: 深度神经网络(DNN)在不同领域的大量机器学习任务中取得了前所未有的成功。然而,对抗性例子的存在引起了人们对将深度学习应用于对安全性有严苛要求的应用程序的关注。因此,人们对研究不同数据类型(如图像数据、图数据和文本数据)上的DNN模型的攻击和防御机制越来越感兴趣。近期,来自密歇根州立大学的老师和同学们,对网络攻击的主要威胁及其成功应对措施进行系统全面的综述。特别的,他们在这篇综述中,针对性的回顾了三种流行数据类型(即、图像数据、图数据和文本数据)。

成为VIP会员查看完整内容
深度学习攻防对抗在图像数据、图数据以及文本数据上的应用.pdf
0
36
小贴士
相关论文
Xudong Ma,Alin Achim,Paul Hill
0+阅读 · 10月18日
Derek Chen,Zhou Yu,Samuel R. Bowman
0+阅读 · 10月15日
Chen Gao,Yu Zheng,Nian Li,Yinfeng Li,Yingrong Qin,Jinghua Piao,Yuhan Quan,Jianxin Chang,Depeng Jin,Xiangnan He,Yong Li
17+阅读 · 9月27日
Xiang Li,Chao Wang,Jiwei Tan,Xiaoyi Zeng,Dan Ou,Bo Zheng
21+阅读 · 2020年3月7日
Kai-Lang Yao,Wu-Jun Li
3+阅读 · 2020年2月12日
Liuyi Yao,Zhixuan Chu,Sheng Li,Yaliang Li,Jing Gao,Aidong Zhang
78+阅读 · 2020年2月5日
CoCoNet: A Collaborative Convolutional Network
Tapabrata Chakraborti,Brendan McCane,Steven Mills,Umapada Pal
5+阅读 · 2019年1月28日
Analysis Methods in Neural Language Processing: A Survey
Yonatan Belinkov,James Glass
4+阅读 · 2019年1月14日
Stephen Bonner,Flavian Vasile
17+阅读 · 2018年8月3日
Luowei Zhou,Yingbo Zhou,Jason J. Corso,Richard Socher,Caiming Xiong
13+阅读 · 2018年4月3日
Top