该研究论文提出一种基于经验预测误差和方差的新标准,用于更好地捕捉协同过滤设置中跨领域的一致性,从而在提高评分预测精度方面显著改进了几项最先进的方法。
Oct, 2012
本文提出了一种名为 CDLFM 的模型,使用相似性度量和邻域梯度提升树方法,解决了跨领域协作式过滤(CDCF)中冷启动用户的问题,并通过实验证明了其在两个真实数据集上的优越性。
Mar, 2018
本文提出了一种可解释性推荐模型 Multi-Matrix Factorization(MMF),该模型通过利用不同项中存在的共同属性来解决了传统矩阵因子分解模型的可解释性和冷启动问题,并通过加权聚合用户潜在向量和属性潜在向量的内积生成属性评分,提供了更细粒度的分析,综合评测结果表明,MMF 在准确性方面优于现有模型。
Aug, 2019
本文提出了一种基于文本向量表示的协作过滤算法,用于在获取商品评分困难的情况下进行推荐,并与现有的算法进行了对比验证其有效性。
Mar, 2017
本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架,称为 “NCF”,包括采用多层感知器来学习用户与物品交互功能,实验表明该框架可以显著提高推荐效果。
Aug, 2017
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
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
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
本文提出了一种基于矩阵分解和全连接深度神经网络的深度跨域和跨系统推荐框架 DCDCSR,通过考虑不同域或系统中个人用户和项目的评级稀疏度来指导 DNN 的培训过程,有效利用评分数据,实验结果表明,该框架在推荐准确性方面优于现有的 CDR 和 CSR 方法。
Sep, 2020
研究了协同过滤方法中用户和商品之间的图模型,提出了一种新的多组件图卷积协同过滤算法 (MCCF),旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块,设计了一种新的方式以获得对用户消费行为的高精度预测,实验结果表明,该算法不仅在三个真实数据集上表现优异,而且还证明了考虑多个组件的必要性。
Nov, 2019