新闻中心

排序方式

EMNLP 2019 | 基于层次化注意力图网络和多视角学习的商品推荐

在电子商务的发展中,个性化推荐技术对于提升平台运营水平、商户营收以及用户购物体验都发挥着至关重要的作用。精进这一技术的关键在于准确有效的用户和商品表示与交互。微软亚洲研究院在 EMNLP 2019 上提出了一种基于层次化注意力图网络增强用户和商品表示的个性化推荐方法 RMG,可以有效结合商品评论以及用户-商品图信息。

发布时间:2019-11-11 类型:深度文章

IJCAI 2019 | 为推荐系统生成高质量的文本解释:基于互注意力机制的多任务学习模型

在个性化推荐系统中,如果能在提高推荐准确性的同时生成高质量的文本解释,将更容易获得用户的“芳心”。然而,现有方法通常将两者分开优化,或只优化其中一个目标。为了同时兼顾二者,微软亚洲研究院社会计算组结合认知科学的相关理论,提出了基于互注意力的多任务模型,并用充分的实验证明了模型的有效性。

发布时间:2019-08-13 类型:深度文章

微软开源项目提供企业级可扩展推荐系统最新实践指南

推荐系统是在网络上最常见的服务之一,但在企业级服务的开发和落地过程中却往往遇到很多阻力。为了解决这些问题,微软云计算和人工智能开发团队与微软亚洲研究院团队深度合作,基于多年来各类大型企业级客户的项目经验以及最新学术研究成果,开源发布搭建完整推荐系统的最新实操技巧。该项目将大大降低企业开发大规模复杂推荐系统的时间,帮助更多企业部署推荐系统。

发布时间:2019-02-25 类型:深度文章

可解释推荐系统:知其然,知其所以然

单纯的推荐结果和推荐结果+理由的组合,哪个更让你信服?长篇累牍的推荐语和言简意赅的关键词,你更愿意看哪个?这是人们每天都会面对的场景,也是可解释推荐系统研究需要不断优化的问题。在上一篇文章《可解释推荐系统:身怀绝技,一招击中用户心理》中,微软亚洲研究院的研究员王希廷和谢幸介绍了可解释推荐系统的分类、推荐解释生成方法以及面临的机遇和挑战。本文中,研究员从解释的目标出发,结合现有的方法流程,介绍了他们改进过的新的结构,最后也反思了研究有待改进的方向,为之后的研究提供思路。

发布时间:2018-12-06 类型:深度文章

KDD 2018 | 推荐系统特征构建新进展:极深因子分解机模型

特征(features)的构建对推荐系统来说至关重要,直接关系到推荐系统的精准性。在传统的推荐系统中,高阶交叉特征通常由工程师手工提取,不仅人力成本高昂、维度空间极大,而且不可泛化。因此自动学习特征的交互是十分有必要的 ,但目前已有的相关工作学习的是隐式的交互特征,且特征交互发生在元素级(bit-wise)而非向量级。为此,微软亚洲研究院社会计算组在KDD 2018上提出一个新的模型——极深因子分解机(xDeepFM)。

发布时间:2018-08-22 类型:深度文章

如何将知识图谱特征学习应用到推荐系统?

将知识图谱作为辅助信息引入到推荐系统中可以有效地解决传统推荐系统存在的稀疏性和冷启动问题,近几年有很多研究人员在做相关的工作。目前,将知识图谱特征学习应用到推荐系统中主要通过三种方式——依次学习、联合学习、以及交替学习。

发布时间:2018-06-08 类型:深度文章

推荐算法不够精准?让知识图谱来解决

我们几乎每天都会接收到各种各样的推荐信息,从新闻、购物到吃饭、娱乐。个性化推荐系统作为一种信息过滤的重要手段,可以依据我们的习惯和爱好推荐合适的服务。但传统的推荐系统容易出现稀疏性和冷启动的问题,而知识图谱作为一种新兴类型的辅助信息,近几年逐渐引起了研究人员的关注,本文将向大家介绍知识图谱的相关知识以及知识图谱在推荐系统中可能的应用价值。

发布时间:2018-06-08 类型:深度文章

可解释推荐系统:身怀绝技,一招击中用户心理

推荐系统被广泛应用在电商网站、社交网络、生活服务网站、搜索引擎等平台。一个好的推荐系统不仅需要准确地把握用户的需求,推荐给用户想要的内容,更需要学会与用户沟通,了解用户心理,以用户容易接受的方式给出适当的推荐。本文中,微软亚洲研究院的研究员王希廷和谢幸将为大家详解可解释推荐系统的分类、推荐解释生成方法以及面临的机遇和挑战。

发布时间:2017-09-14 类型:深度文章

推荐无处不在

在日常生活中我们常常需要好的建议。无论是寻找符合自己口味的书和电影,还是在Facebook,LinkedIn上寻找志同道合的人,自动推荐系统都是你寻求建议的好选择。

发布时间:2015-05-22 类型:深度文章