K 近邻协同推荐的统计分析

Oct, 2010

Statistical analysis of $k$-nearest neighbor collaborative recommendation

Gérard Biau, Benoît Cadre, Laurent Rouvière

TL;DR提出一种用于协作推荐的随机模型，深入分析了余弦型最近邻协作过滤算法的渐近性能，建立该程序在模型的温和假设下的一致性，并提供了收敛速度和例子。

Abstract

collaborative recommendation is an information-filtering technique that attempts to present information items that are likely of interest to an Internet user. Traditionally, collaborative systems deal with situations with two types of variables, users and items. In its most common form

collaborative recommendation information filtering cosine-type nearest neighbor asymptotic performance rates of convergence

发现论文，激发创造

一种在线协作过滤的潜在源模型

本研究针对协同过滤在推荐系统中的广泛应用，介绍了一个基于余弦相似度的在线协同过滤推荐模型，通过探索物品和用户之间的相似关系，期望最大化用户接受推荐的物品数量。研究结果表明，该算法在不知道用户类型数的情况下，经过几步初始探索，就可达到最佳表现。

Oct, 2014

协同过滤预测算法的实证分析

该文章描述了几种算法来实现协同过滤或推荐系统，并使用不同的评估方法比较了它们的预测准确性。结果表明，在大多数情况下，每个节点具有决策树的贝叶斯网络和相关性方法优于贝叶斯聚类和向量相似度方法。

Jan, 2013

信任邻居：推荐系统基于邻居的综合调查

本文综述了基于最近邻的协同过滤算法，包括传统算法和先进算法如矩阵分解、稀疏编码和随机游走，介绍了设计实现最近邻推荐系统的关键选择和实践信息。

Sep, 2021

清晰相似性以提升基于内存的推荐系统

分析了基于记忆的协同过滤方法中的相似性估算器的谱特性，说明 Pearson 和 cosine 相似性估算器中存在的噪声和特征值扩散问题，提出了一种简单的重新缩放和噪声清理方案，使基于记忆的方法表现更好。

May, 2019

基于双边邻居协同关系建模的顺序推荐

提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型，实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。

Nov, 2019

神经协同排名

本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

Aug, 2018

协同过滤的序数玻尔兹曼机

本文研究和扩展了一种名为玻尔兹曼机的概率模型，以无缝整合相似性和共现模式，完成协同过滤任务，并提出了处理偏好序列的参数化选项，同时模拟了基于用户和基于项目的过程，并在中等和大规模电影推荐实验中表现出与现有方法相当的竞争力。

May, 2012

协作过滤器的概率集成

本文提出了一种集成式协同过滤算法，采用概率模型集成物品、用户以及其关联性来处理多样的数据，得到比 L2Boost 更优的实验结果。

Jun, 2018

基于神经相似性度量的大规模推荐系统近似最近邻搜索

本研究中，我们提出了一种新的方法来扩展近似最近邻搜索到任意匹配函数（例如深度神经网络），并使用可插拔的对抗性训练任务来保证搜索结果的准确性；通过在开源和工业数据集上的实验证明了我们方法的有效性，并在淘宝展示广告平台上进行了全面部署，带来了相当可观的广告收入增长。

Feb, 2022

协同相似嵌入在推荐系统中的应用

提出了一种协作相似度嵌入模型（CSE），该模型利用了用户 - 项目二分图中可用的全面协作关系，用于表示学习和推荐，通过直接接触和 k - 阶邻域接近度学习用户 - 项目关联，并且针对性地设计了一种采样技术来捕捉这两种不同类型的接近度关系。在 8 个基准数据集上进行的广泛实验证明 CSE 优于最先进的推荐方法。

Feb, 2019