KDDApr, 2012

基于快速 ALS 的张量分解在隐式反馈的上下文感知推荐中的应用

PDF
TL;DR本文提出了一种称为 iTALS 的通用上下文感知隐式反馈推荐算法，它应用了一种快速的 ALS 基张量分解学习方法，同时保持计算效率，实验结果显示，通过将上下文感知信息与我们的分解框架集成到最先进的隐式推荐算法中，推荐的质量得到了显着提高。
implicit feedbackrecommender algorithmcontext-awaretensor factorizationseasonality
发现论文，激发创造
  • 通过可扩展的张量分解从隐含数据中实现上下文感知的推荐

    该论文提出了一种上下文感知的通用隐式反馈推荐算法，使用基于张量分解的学习方法，同时结合了季节性和购买顺序等上下文信息，显著优于无上下文和基准模型，并与因式机（在召回和 MAP 方面击败了 12 个案例中的 7 个）相当，具有良好的可扩展性。

    Sep, 2013

  • 基于隐性反馈的在线推荐快速矩阵分解

    本次研究旨在提高矩阵因式分解（MF）在隐式反馈中的效率和效果，其中解决了现存工作中的两个问题：缺少反馈数据和扩展动态更新策略。我们基于项目的流行度提出了一个新颖的变量加权方法，并设计了一个基于 eALS 技术的学习算法，用于优化具有变量加权缺失数据的 MF 模型，并实现了一种增量更新策略。通过离线和在线的实验验证表明，我们的 eALS 方法相对于现有研究表现更佳。

    Aug, 2017

  • 面向方面的潜在因素模型：使用评价和评论进行评级预测

    本文提出了一种基于文本信息和评分数据来提高推荐系统效能的方法，采用 Aspect-aware Topic Model 将用户的偏好和项目的特征从不同角度进行建模，然后将得出的方面重要性整合到一种学习用户和项目潜在因素的新型 Aspect-aware Latent Factor Model 中，最终获得更好的推荐解释性，并且展现了良好的实验结果。

    Feb, 2018

  • 多视角交互式协同过滤

    本研究提出了一种名为 MV-ICTR 的推荐算法，能够同时处理评分和背景信息，利用潜在因子对物品依赖特征进行建模，并采用多臂赌博策略进行长期在线个性化推荐，适用于冷启动用户和物品占比高的数据集，提高了推荐性能。

    May, 2023

  • 上下文感知推荐的通用分解框架

    本文提出了一种通用的分解框架（GFF），通过使用此框架，作者在处理推荐任务时探索了各种偏好模型。实验结果表明，正确的偏好建模显著提高了推荐准确性，并且 GFF 中的新模型优于其他状态下的最先进的分解算法。

    Jan, 2014

  • 社交网络推荐预测的多方面分解模型群集

    本文提出了一种称为多方面因子模型的新方法来改善社交网络中的推荐准确性，该方法将用户之间的社交关系、标签、档案等特征整合在一起，并采用隐性反馈，同时还利用用户行为模型来进行联合预测，并在 KDD-Cup 竞赛中获得了第二名的好成绩。

    May, 2021

  • 面向上下文的用户 - 物品表示学习用于物品推荐

    该论文提出了一种名为 CARL 的新型上下文感知用户 - 物品表示学习模型，可用于评级预测，其采用因子分解机进一步建模用户 - 物品对的更高阶特征交互，并通过卷积和注意力机制提取相应的评论特征和交互特征。五个真实数据集上的实验证明，CARL 比现有的最先进的替代方案实现了显着更好的评分预测准确性，并使用注意力机制突出显示评论中的相关信息以解释评级预测。

    Dec, 2017

  • 利用评论和图片进行可解释推荐的 MMALFM 模型

    通过使用多模态、面向方面的主题模型（MATM）和面向方面的潜因子模型（ALFM）来结合文本评论和物品图像与评分，解决了潜因子模型在推荐系统中存在的冷启动、非透明性和子优解等问题，并且在 Yelp 2017 挑战数据集和亚马逊产品数据集上实验表明了该方法的有效性。

    Nov, 2018

  • 正交 ALS: 一种理论上有根据的张量分解算法，适用于实际应用

    本文提出了一种改进的 ALS 算法，可以在保持效率的同时，通过使用随机初始条件和保持一致性假设，证明性地恢复张量的真实因子。使用合成数据进行的实验表明，我们的方法在张量分解、张量填充和计算词嵌入等任务上明显优于传统 ALS 算法。

    Mar, 2017

  • 张量方法与推荐系统

    本文为了弥补目前推荐系统领域中对于基于张量方法的研究欠缺的问题，全面回顾和讨论了基于张量的推荐模型的应用以及未来的发展方向。

    Mar, 2016