目前推荐系统普遍存在长尾问题,导致商品推荐覆盖率低、多样性差,为此提出一种融合有偏随机游走(Node2Vec)和负反馈强化学习的商品推荐算法GES4RL(Graph Embedding with Side Information for Reinforcement Learning)。对商品传播的有...目前推荐系统普遍存在长尾问题,导致商品推荐覆盖率低、多样性差,为此提出一种融合有偏随机游走(Node2Vec)和负反馈强化学习的商品推荐算法GES4RL(Graph Embedding with Side Information for Reinforcement Learning)。对商品传播的有向加权图使用Node2Vec算法学习商品的编码表示;引入门控循环单元(GRU)对用户偏好的动态情况进行建模,并使用基于负反馈强化学习模型计算出长尾商品的最佳推荐策略。在TianChi电商数据集上的实验表明,该算法显著提高了商品推荐的多样性和命中率。展开更多
长尾分类在现实世界中是一项不可避免且充满挑战的任务。传统方法通常只专注于类间的不平衡分布,然而近期的研究开始重视类内的长尾分布,即同一类别内,具有头部属性的样本远多于尾部属性的样本。由于属性的隐含性和其组合的复杂性,类内...长尾分类在现实世界中是一项不可避免且充满挑战的任务。传统方法通常只专注于类间的不平衡分布,然而近期的研究开始重视类内的长尾分布,即同一类别内,具有头部属性的样本远多于尾部属性的样本。由于属性的隐含性和其组合的复杂性,类内不平衡问题更加难以处理。为此,文中提出一种基于引领森林并使用多中心损失的广义长尾分类框架(Cognisance),旨在通过不变性特征学习的范式建立长尾分类问题的多粒度联合求解模型。首先,该框架通过无监督学习构建粗粒度引领森林(Coarse-Grained Leading Forest,CLF),以更好地表征类内关于不同属性的样本分布,进而在不变风险最小化的过程中构建不同的环境。其次,设计了一种新的度量学习损失,即多中心损失(Multi-Center Loss,MCL),可在特征学习过程中逐步消除混淆属性。同时,Cognisance不依赖于特定模型结构,可作为独立组件与其他长尾分类方法集成。在ImageNet-GLT和MSCOCO-GLT数据集上的实验结果显示,所提框架取得了最佳性能,现有方法通过与本框架集成,在Top1-Accuracy指标上均获得2%~8%的提升。展开更多
文摘目前推荐系统普遍存在长尾问题,导致商品推荐覆盖率低、多样性差,为此提出一种融合有偏随机游走(Node2Vec)和负反馈强化学习的商品推荐算法GES4RL(Graph Embedding with Side Information for Reinforcement Learning)。对商品传播的有向加权图使用Node2Vec算法学习商品的编码表示;引入门控循环单元(GRU)对用户偏好的动态情况进行建模,并使用基于负反馈强化学习模型计算出长尾商品的最佳推荐策略。在TianChi电商数据集上的实验表明,该算法显著提高了商品推荐的多样性和命中率。
文摘长尾分类在现实世界中是一项不可避免且充满挑战的任务。传统方法通常只专注于类间的不平衡分布,然而近期的研究开始重视类内的长尾分布,即同一类别内,具有头部属性的样本远多于尾部属性的样本。由于属性的隐含性和其组合的复杂性,类内不平衡问题更加难以处理。为此,文中提出一种基于引领森林并使用多中心损失的广义长尾分类框架(Cognisance),旨在通过不变性特征学习的范式建立长尾分类问题的多粒度联合求解模型。首先,该框架通过无监督学习构建粗粒度引领森林(Coarse-Grained Leading Forest,CLF),以更好地表征类内关于不同属性的样本分布,进而在不变风险最小化的过程中构建不同的环境。其次,设计了一种新的度量学习损失,即多中心损失(Multi-Center Loss,MCL),可在特征学习过程中逐步消除混淆属性。同时,Cognisance不依赖于特定模型结构,可作为独立组件与其他长尾分类方法集成。在ImageNet-GLT和MSCOCO-GLT数据集上的实验结果显示,所提框架取得了最佳性能,现有方法通过与本框架集成,在Top1-Accuracy指标上均获得2%~8%的提升。
