一种新的协同过滤方法：具有谱正则化的算子估计

Feb, 2008

一种新的协同过滤方法：具有谱正则化的算子估计

A New Approach to Collaborative Filtering: Operator Estimation with Spectral Regularization

Jacob Abernethy, Francis Bach, Theodoros Evgeniou, Jean-Philippe Vert

TL;DR这篇论文使用谱规则化的线性算子来协同过滤，通过低秩矩阵分解的方式提供一种新的估计方法，并测试了在标准 CF 数据集上的学习算法，最后将其推广为多任务学习的特例。

Abstract

We present a general approach for collaborative filtering (CF) using spectral regularization to learn linear operators from "users" to the "objects" they rate. Recent low-rank type matrix completion approaches to

collaborative filtering spectral regularization matrix completion learning algorithms multi-task learning

发现论文，激发创造

光谱协同过滤

本研究提出了一种利用谱域进行深度协同过滤的新模型 - Spectral Collaborative Filtering (SpectralCF)，能够在用户 - 物品二部图的谱域中直接进行学习，发挥图中的信息优势，解决协同过滤中的 “冷启动” 问题，并在多个标准数据集上明显优于现有模型。

Aug, 2018

自适应松弛谱正则化贝叶斯矩阵完成

基于对称正则化的贝叶斯矩阵补全方法，无需参数调整即可自动推断潜在因子数量。在合作过滤中表现良好。

Dec, 2015

自适应谱图小波用于协作过滤

我们提出了一种基于谱图小波的协同过滤框架，用于隐式反馈数据的个性化推荐，通过将用户、物品及其交互表示为一个二分图，利用自适应转换函数和深度推荐模型，来学习用户和物品的低维表示，同时促进推荐质量。实验证明，相比基准方法，我们的模型在真实世界的基准数据集上取得了更好的推荐效果。

Dec, 2023

纯谱图嵌入：重新解释图卷积，用于 Top-N 推荐

本文探讨了使用图卷积在协作过滤领域中的优势，并介绍了利用特征向量进行推荐的方法，从而避免了传统梯度下降训练过程。在三个真实世界数据集上获得更高的性能。

May, 2023

算子模型中局部损失优化：光谱学习的新视角

本文重新审视了用于学习拉丁变量模型的谱方法，并给出了新的视角。通过在有限子集上定义目标函数，该方法被推广为一种类谱优化方法，并发现连续正则化参数允许更好地平衡模型的准确性和复杂度，同时证明了随机选择本地损失函数的普遍有效性。

Jun, 2012

协同过滤的高效数据特定模型搜索

本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架，其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段，以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明，我们的方法可以在各种 CF 任务上始终优于 SOTA 方法，搜索到的 CF 模型还可以为探索更有效的方法提供启示。

Jun, 2021

AutoSVD++：一种通过压缩自动编码器实现的高效混合协同过滤模型

本文提出了一种将自编码器范式与矩阵分解相结合的新型混合模型，通过建模内容信息的有效性和紧凑性的表示，并利用隐式用户反馈进行精准推荐，从而优化项目推荐，实验结果表明该方法优于比较方法。

Apr, 2017

推荐系统的协作深度学习

本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。

Sep, 2014

频谱增强的成对学习排序

通过使用超图结构的波谱特征来模拟用户的偏好和商品的特性，并将其结合到矩阵分解模型中来增强推荐系统的性能，并且使用波谱特征来优化贝叶斯个性化排序，以丰富用于无显示反馈数据中的正样本。

May, 2019

冷启动推荐的表示学习

本研究提出一种模型，在用户冷启动情况下，通过提问找到一些初始化评分，并用这些信息建立有效的代表，以解决协同过滤问题。这种方法在四个不同数据集上得到验证，并改善了基准性能。

Dec, 2014