亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

越來越多的人際互動在社交媒體平臺上數字化，并受到算法決策的影響，而確保這些算法的公平對待變得越來越重要。在這項工作中，我們研究了在社交媒體數據上訓練的協作過濾推薦系統中的性別偏見。我們研發了神經公平協同過濾(NFCF)，這是一個在推薦與職業相關的敏感項目(如工作、學術集中程度或課程)時減少性別偏見的實用框架，使用了神經協同過濾的預訓練和微調方法，并輔以偏見糾正技術。我們分別在MovieLens數據集和Facebook數據集上展示了我們的方法在性別去偏見職業和大學專業推薦方面的效用，并取得了比一些最先進的模型更好的表現和更公平的行為。

//jfoulds.informationsystems.umbc.edu/papers/2021/Islam%20(2021)%20-%20Debiasing%20Career%20Recommendations%20with%20Neural%20Fair%20Collaborative%20Filtering%20(WWW).pdf

在推薦系統中，當用戶-物品交互數據稀疏時，常用社會關系來提高推薦質量。大多數現有的社交推薦模型都是利用成對關系來挖掘潛在的用戶偏好。然而，現實生活中用戶之間的互動非常復雜，用戶關系可以是高階的。超圖提供了一種自然的方式來建模復雜的高階關系，而它在改善社會推薦方面的潛力還有待開發。在本文中，我們填補了這一空白，提出了一種利用高階用戶關系增強社交推薦的多通道超圖卷積網絡。技術上，網絡中的每個通道通過超圖卷積編碼一個描述常見高階用戶關系模式的超圖。通過聚合通過多種渠道學習到的嵌入，我們獲得了全面的用戶表示，從而產生推薦結果。然而，聚合操作也可能掩蓋不同類型高階連接信息的固有特征。為了彌補累積損失，我們創新性地將自監督學習融入到超圖卷積網絡的訓練中，以獲取具有層次互信息最大化的連通信息。在多個真實數據集上的實驗結果表明，該模型優于SOTA方法，消融研究驗證了多通道設置和自監督任務的有效性。我們的模型的實現可以通過//github.com/Coder-Yu/RecQ獲得。

雙曲空間提供了豐富的設置來學習具有優越屬性的嵌入，這些屬性在計算機視覺、自然語言處理和計算生物學等領域得到了利用。最近，有人提出了幾種雙曲線方法來學習推薦設置中的用戶和項目的魯棒表示。但是，這些方法不能捕獲推薦領域中通常存在的高階關系。另一方面，圖卷積神經網絡(GCNs)則擅長通過對局部表示應用多層聚合來捕獲更高階的信息。在本文中，我們提出了一個用于協同過濾的雙曲線GCN模型，以一種新穎的方式將這些框架結合起來。我們證明了我們的模型可以在邊緣損失的情況下有效學習，并證明了雙曲空間在邊緣設置下具有理想的性質。在測試時，我們的模型使用雙曲距離來進行推理，雙曲距離保留了學習空間的結構。我們對三個公共基準進行了廣泛的實證分析，并與一組大型基線進行比較。我們的方法實現了非常具有競爭力的結果，并超過領先的基線，包括歐幾里德GCN對等物。我們進一步研究了雙曲線嵌入的性質，并表明它們對數據提供了有意義的見解。該工作的完整代碼可以在這里://github.com/layer6ai-labs/HGCF。

排名，尤其是搜索和推薦系統中的排名，通常決定了人們如何訪問信息以及信息如何暴露給人們。因此，如何平衡信息披露的相關性和公平性是現代信息披露系統的關鍵問題之一。由于傳統的排名框架將文檔與相關性進行短視排序，這將不可避免地引入不公平的結果曝光，最近關于排名公平性的研究主要集中在動態排名范式，其中結果排名可以實時調整，以支持群體(如種族、性別等)的公平性。然而，現有關于動態學習排序公平性的研究，往往通過顯著犧牲排名前結果的相關性和公平性來實現排序列表中文檔曝光的總體公平性。為了解決這一問題，我們提出了一種公平無偏的排序方法——最大邊際公平(maximum Marginal Fairness, MMF)。該算法集成了對相關性和基于績效的公平性的無偏估計，同時提供了一個顯式控制器來平衡文檔的選擇，以最大化top-k結果的邊際相關性和公平性。理論分析和實證分析表明，我們的方法在長列表公平性上有較小的妥協，在top-k排序的相關性和公平性方面都取得了優于現有算法的效率和有效性。

//www.zhuanzhi.ai/paper/d73684afc23a9d77ab4f6f18bb5b1ba7

對于推薦系統來說，用戶冷啟動推薦是一個長期存在的挑戰，因為只有很少的冷啟動用戶交互可以被利用。最近的研究試圖從元學習的角度解決這一挑戰，大多數研究遵循參數初始化的方式，即通過幾個步驟的梯度更新來學習模型參數。雖然這些基于梯度的元學習模型在一定程度上取得了良好的性能，但其中的一個根本問題是如何將從以前任務中學習到的全局知識更有效地用于冷啟動用戶的推薦。

本文提出了一種新的元學習推薦方法——任務自適應神經過程(TaNP)。TaNP是神經過程家族中的一個新成員，為每個用戶作出推薦都與相應的隨機過程相關聯。TaNP直接將每個用戶觀察到的交互作用映射到一個預測分布，避開了基于梯度的元學習模型中的一些訓練問題。更重要的是，為了平衡模型容量和適應可靠性之間的平衡，我們引入了一種新的任務適應機制。它使我們的模型能夠學習不同任務的相關性，并自定義全局知識到與任務相關的解碼器參數，以估計用戶的偏好。在不同的實驗設置下，我們在多個基準數據集上驗證了TaNP。實證結果表明，TaNP對幾個最先進的元學習推薦器產生了一致的改進。

//www.zhuanzhi.ai/paper/6e268c251725b797f632dec7d4b6ceef

點擊率(CTR)預測在推薦系統和在線廣告中起著至關重要的作用。這些應用程序中使用的數據是多字段類別數據，其中每個特征屬于一個字段。字段信息被證明是重要的，在他們的模型中有一些考慮字段的工作。在本文中，我們提出了一種新的方法來有效和高效地建模場信息。該方法是對FwFM的直接改進，被稱為場矩陣分解機(FmFM，或FM2)。在FmFM框架下，我們對FM和FwFM提出了新的解釋，并與FFM進行了比較。除了對交叉項進行修剪外，我們的模型還支持特定領域的可變維度的嵌入向量，這是一種軟修剪。在保持模型性能的同時，我們還提出了一種有效的最小化維數的方法。FmFM模型還可以通過緩存中間向量來進一步優化，它只需要數千次浮點運算(FLOPs)就可以做出預測。實驗結果表明，該算法的性能優于復雜的FFM算法。FmFM模型的性能也可以與DNN模型相媲美，DNN模型在運行時需要更多FLOPs 。

//www.zhuanzhi.ai/paper/39df3ac3e3acb641f86294a4d6acb39f

推薦系統作為人工智能的一個重要應用，是最普遍的計算機輔助系統之一，幫助用戶找到潛在的興趣項目。近年來，人工智能應用的公平性問題引起了研究人員的廣泛關注。這些方法大多假定實例獨立，并設計復雜的模型來消除敏感信息，以促進公平。然而，推薦系統與這些方法有很大的不同，因為用戶和商品自然形成一個用戶-商品二部圖，并且在圖結構中相互協作。在本文中，我們提出了一種新的基于圖的技術來保證任何推薦模型的公平性。這里的公平性要求指的是在用戶建模過程中不暴露敏感特性集。具體來說，給定任何推薦模型的原始嵌入，我們學習一組過濾器，這些過濾器將每個用戶和每個物品的原始嵌入轉換為一個基于敏感特征集的過濾嵌入空間。對于每個用戶，這種轉換是在以用戶為中心的圖的對抗學習下實現的，以便在過濾后的用戶嵌入和該用戶的子圖結構之間模糊每個敏感特征。最后，大量的實驗結果清楚地表明了我們所提出的模型在公平推薦方面的有效性。

//github.com/newlei/FairGo

序列推薦(SR)是根據用戶當前訪問的物品向其準確推薦物品列表。當新用戶不斷地進入現實世界時，一個關鍵的任務是要有歸納SR，它可以在不需要再訓練的情況下產生用戶和物品的嵌入。鑒于用戶-項目交互可能非常稀疏，另一個關鍵任務是擁有可遷移的SR，它可以將從一個具有豐富數據的領域派生的知識遷移到另一個領域。在這項工作中，我們的目標是呈現整體SR，同時適應傳統、歸納和可遷移的設置。我們提出了一種新的基于深度學習的模型——關系時間注意力圖神經網絡(RetaGNN)，用于整體SR。首先，為了具有歸納和可遷移的能力，我們在從用戶-物品對中提取的局部子圖上訓練一個關注關系的GNN，其中可學習權矩陣是關于用戶、物品和屬性之間的各種關系，而不是節點或邊。第二，長期和短期用戶偏好的時間模式被提出的序列自注意機制編碼。第三，為了更好地訓練RetaGNN，設計了一個關系感知的正則化項。在MovieLens、Instagram和Book-Crossing數據集上進行的實驗表明，RetaGNN可以在常規、歸納和可遷移的設置下優于最先進的方法。推導出的注意力權重也為模型帶來了可解釋性。

//www.zhuanzhi.ai/paper/7fd9c00d1088c2875ac0567445b5d604

題目： Disentangled Graph Collaborative Filtering

簡介： 從交互數據中學習用戶和項目的信息表示對于協同過濾（CF）至關重要。當前的嵌入功能利用用戶-項目關系來豐富表示，從單個用戶-項目實例演變為整體交互圖。然而，他們在很大程度上以統一的方式對關系進行建模，而忽略了用戶采用這些項目的意圖的多樣性，這可能是為了消磨時間，出于興趣或為家庭等其他人購物。這種對用戶興趣進行建模的統一方法很容易導致次優的表示形式，無法對各種關系進行建模，也無法使用戶的意圖分解開來。

在這項工作中，我們會以用戶意圖的更細粒度特別注意用戶與項目之間的關系。因此，我們設計了一個新模型，即解纏圖協同過濾（DGCF），以解開這些因素并產生解開的表示。具體來說，通過對每個用戶項目交互的意圖分布進行建模，我們可以迭代地細化意圖感知交互圖和表示形式。同時，我們鼓勵不同意圖的獨立性。這導致了糾纏的表示，有效地提取了與每個意圖有關的信息。我們在三個基準數據集上進行了廣泛的實驗，并且DGCF在一些最新模型（如NGCF [40]，DisenGCN [25]和MacridVAE [26]）上取得了顯著改進。進一步的分析可以深入了解DGCF在消除用戶意圖和表示可解釋性方面的優勢。

題目： Fairness-Aware Explainable Recommendation over Knowledge Graphs

簡介： 最近，人們對公平性的考慮日益受到關注，尤其是在智能決策系統中。可解釋的推薦系統可能會受到解釋偏差和性能差異的困擾。在本文中，我們根據用戶的活動水平分析了不同的用戶組，發現不同組之間的推薦績效存在偏差。結果顯示由于不活躍用戶的培訓數據不足，不活躍用戶可能更容易收到不滿意的推薦，并且由于協作過濾的性質，他們的推薦可能會受到更活躍用戶的培訓記錄的影響，因而受到系統的不公平對待。我們提出了一種啟發式重新排序的公平約束方法，以在對知識圖的可解釋性推薦的背景下減輕這種不公平問題。我們使用基于最新知識圖的可解釋推薦算法對幾個數據集進行了實驗，結果表明，我們的算法不僅能夠提供高質量的可解釋的推薦，而且在幾個方面都減少了推薦的不公平性。