Oct, 2011

动态矩阵分解：一种状态空间方法

PDF
TL;DR提出一种基于状态空间模型的矩阵分解方法，可解决处理用户随时间变化的推荐系统问题，利用卡尔曼滤波器等技术提供准确的推荐结果，通过期望最大化算法学习系统参数，并与当前发表的技术进行比较。
matrix factorizationrecommendation systemtemporal formulationstate space modelprobabilistic matrix factorization
发现论文，激发创造
  • 动态泊松分解

    本论文提出基于 Poisson 分解模型的动态矩阵分解模型 dPF，使用卡尔曼滤波器来建立时间演化的潜在因素，用泊松分布来解释行为，进而提出了可扩展的变分推理算法并在 arXiv.org 上验证，相比静态和其他动态推荐模型，提高了推荐性能。

    Sep, 2015

  • 具有未知值先验的动态矩阵分解

    本文提出了一种基于动态矩阵分解框架的协同过滤方法，该方法允许在未知值上设置显式先验，能够在用户、物品或者评分的数量增加时快速更新分解，从而快速向最近的用户推荐物品。该方法在三个大规模数据集上进行了测试，包括两个非常稀疏的数据集，在静态和动态条件下均取得了优于不使用先验值的矩阵分解方法的结果。

    Jul, 2015

  • 使用复合泊松分解的动态协同过滤

    本文提出了一种基于复合泊松矩阵分解的共轭数值稳定动态矩阵分解（DCPF）方法，用于建模平滑漂移的潜在因素和预测未来的用户 - 项交互，通过 Netflix、Yelp 和 Last.fm 等数据集的测试，DCPF 模型的预测准确性优于目前流行的静态和动态因子分解模型。

    Aug, 2016

  • 基于特征的矩阵分解

    本技术报告介绍了特征基矩阵分解的实现，该模型是矩阵分解模型的许多变体的抽象，可以通过定义新特征而利用新类型的信息，而无需修改任何代码。使用该工具包，我们构建了 KDDCup'11 赛道 1 报告的最佳单个模型。

    Sep, 2011

  • 快速差分隐私矩阵分解

    提出了一种简单的算法来实现可证明偏差私有性以及良好性能的差异性私人协作过滤。通过差分隐私和贝叶斯后验采样的新型连接方式，该算法可有效实现。同时，通过精细的系统设计和利用数据的幂律行为最大化 CPU 缓存带宽，我们可以在单个 PC 上以 8.5 百万每秒的速率生成 1024 维模型实现推荐。

    May, 2015

  • 大规模推荐系统中用于偏好获取的变分因子机

    本文提出了一种用于大规模数据的变分 Factorization Machines 算法，通过标准的 Mini-Batch 随机梯度下降法实现优化，从而为预测结果提供可靠的置信度，并在多个数据集上展示了其在预测准确性上具有与现有方法相媲美甚至更好的性能，同时提出了在偏好调查技术等活动策略中的应用。

    Dec, 2022

  • 贝叶斯最优矩阵分解中的相变和样本复杂度

    使用统计力学工具分析了矩阵分解问题的可实现性和计算可处理性，在贝叶斯最优推断设置下计算任意计算时间内可能实现的最小均方误差和有效近似迭代推理算法可以达到的误差。

    Feb, 2014

  • 一种用于时间演进双部分过程的协作卡尔曼滤波器

    利用卡尔曼滤波器建立一种动态模型，以矩阵分解方法进行协同过滤和相关因式分解建模，通过建模每个低维潜在嵌入为多维布朗运动来解决时间演化问题，并采用几何布朗运动处理隐含参数漂移问题，同时还应用平均场变分近似对后验概率分布的复杂性提出了解决方法。该模型在多个大型数据集上进行了评估。

    Jan, 2015

  • 使用高斯机制的保护隐私矩阵分解推荐系统

    提出一个基于差分隐私和矩阵分解的隐私保护推荐系统，通过高斯机制和输出扰动的方式实现差分隐私，采用 Rényi Differential Privacy 来紧密刻画隐私损失，能够在保证用户隐私的前提下有效地完成推荐任务。

    Apr, 2023

  • 分布式贝叶斯概率矩阵分解

    本篇论文提出了一种分布式高性能并行的 Bayesian Probabilistic Matrix Factorization （BPMF）算法实现方案，并使用了在单节点上的高效负载均衡使用工作窃取和在分布式版本中使用异步通信的方法，超越了现有技术水平。

    May, 2017