子豪君

摘要： 这篇文章证明了在推荐系统中，将用户点击之后没有看完的物品作为负样本的一部分参与训练是有效的。 阅读全文

摘要： 本文主要研究并解决推荐系统的隐式反馈数据中**正样本**存在噪声，会损害推荐系统性能的问题。 **“伪正样本”**在推荐系统训练的初始阶段Loss普遍较高，利用这个规律，可以对“伪正样本”和真正的正样本进行区分。 本文提出了**适应性去噪训练（Adaptive Denoising Training，ADT）**策略来解决上述问题，提出了截断损失函数和加权损失函数两种Loss函数，并基于交叉熵损失，在三个数据集上，基于三种推荐模型进行了实验，实验结果表明，ADT可以有效去除“伪正样本”对模型性能的干扰。 阅读全文

摘要： 这篇文章提出了一个利用社交网络信息的推荐模型SamWalker。SamWalker可以建模用户和物品之间的曝光概率，并提出用社交网络随机游走进行负采样的方式来替代曝光概率的计算，降低模型计算复杂度。此外，模型还可以利用等效的卷积神经网络来优化社交连接强度。在三个数据集上，SamWalker都取得了超过所有baseline的性能，并结合Ablation study等实验证明了模型的性能。 阅读全文

摘要： Modeling User Exposure in Recommendation 【论文作者】Dawen Liang, David M. Blei, etc. WWW’16 Columbia University 0. 总结 这篇文章构建了曝光概率这个隐变量，用EM算法进行参数优化，并提出了基于流行 阅读全文

摘要： Recommendations as Treatments: Debiasing Learning and Evaluation Authors: Tobias Schnabel, Adith Swaminathan, Ashudeep Singh, Navin Chandak, Thorsten 阅读全文