在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考。
在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果。
点击本文底部的「阅读原文」即刻加入社区,查看更多最新论文推荐。
@Ttssxuan 推荐
#Reinforcement Learning
本文使用强化学习进行推荐,并借助 biclustering 减少状态和动作空间,优化效率和效果。
@Ttssxuan 推荐
#doc2vec
本文将用行为使用 item 描述进行串连,构成文档,并使用 doc2vec 训练用户表示向量。
@paperweekly 推荐
#Reinforcement Learning
本文将增强学习应用于推荐系统,构建了一个在线的 user-agent 交互模拟器,本文工作来自京东等。
Leveraging Long and Short-term Information in Content-aware Movie Recommendation
@zhangjun 推荐
#Generative Adversarial Networks
本文提出了一种新颖的基于生成对抗网络的推荐系统,采用强化学习动态调整历史长期偏好和短期会话的模型,此外,还加入了封面图片特征进一步提升系统性能,最后在两个数据集上做到 state-of-art 的性能。
@zhangjun 推荐
#Autoencoder
本文给出了一个基于 Autoencoder 的推荐系统框架,同时兼顾显式反馈和隐式反馈。
@luosha865 推荐
#Deep Learning
论文总结了 2013 年以来,最近 33 篇深度学习应用于推荐系统领域的文章。按照内容相关,协同过滤,混合方法分别进行介绍,可以作为不错的索引。
@paperweekly 推荐
#POI Recommendation
本文对用户评论与商品评论进行交互式建模,通过识别与用户和商品都相关的文本信息,提取用户商品联合特征,在 Amazon 五个打分预测数据集上均取得了优秀的性能。
@luosha865 推荐
#Recommender System
本文介绍了 Pinterest 的 Pixie 系统,主要针对他们开发的随机游走和剪枝算法,此外系统本身基于 Stanford Network Analysis Platform 实现。
@zhangjun 推荐
#Random Walks
本文是一篇综述文章,关于“随机游走”在推荐系统中的相关应用。
@zhangjun 推荐
#Deep Learning
本文回顾了大部分推荐系统在深度学习上的方法,并对这些方法进行了宏观的整合。让我们了解了在推荐系统中,用深度学习的方法和传统方法相结合的多种方法,可以给我们带来一些新的启发。
@jojoe 推荐
#Recommender System
本文将电影与电影标签之间的映射关系应用到 AutoEncoder 的可见层和隐层的连接中,将用户对电影的打分情况作为训练数据,使得最后得到的降维表示具有解释性(用户对电影标签的偏好)。
@jojoe 推荐
#Recommender System
本文结合音频和文本来进行歌曲推荐,只要给定一首歌就可以进行相关推荐,非常实用。
本文由 AI 学术社区 PaperWeekly 精选推荐,社区目前已覆盖自然语言处理、计算机视觉、人工智能、机器学习、数据挖掘和信息检索等研究方向,点击「阅读原文」即刻加入社区!
我是彩蛋
解锁新功能:热门职位推荐!
PaperWeekly小程序升级啦
今日arXiv√猜你喜欢√热门职位√
找全职找实习都不是问题
解锁方式
1. 识别下方二维码打开小程序
2. 用PaperWeekly社区账号进行登陆
3. 登陆后即可解锁所有功能
职位发布
请添加小助手微信(pwbot01)进行咨询
长按识别二维码,使用小程序
*点击阅读原文即可注册
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。
文章评论