研究在线用户行为的推荐系统,介绍针对在线正面评级的一类协同过滤算法,分析了用户响应概率、探索用户喜好所需评级数和更新用户偏好所需评级数之间的相关性,探讨正负评级和正面评级之间相同和不同的方面对于评级数的影响。
May, 2017
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
本研究通过解决冷启动问题来建立协同过滤(CF)的推荐系统,并通过将优化问题形式化为寻找内容不可用的新项目的最优用户评级的任务来研究是否可以仅使用 CF 技术来缓解此问题。我们提出了单调超模函数的目标函数,并提出一种基于高效最优设计的算法来找到逼近其最优解的解。最后,我们使用 Netflix 数据集对我们的算法进行经验证实,证明其性能超过了该问题的多个基准。
Jun, 2014
该研究介绍并评估了一种基于个人偏好识别的推荐系统方法,即 Personality Diagnosis (PD),它具有传统相似度加权技术的优点,并能提供有意义的概率解释,同时支持价值信息计算。
Jan, 2013
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
该论文论述了在线约会存在信息过载的问题,使用协同过滤算法的推荐系统可以有效提高用户体验和商业价值。
Mar, 2007
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
本文介绍了多向领域协同过滤问题,通过概率矩阵分解模型不仅考虑了数据稀疏性问题,还能在不同领域自适应地传递知识,实验表明其在实际应用中的有效性。
Mar, 2012
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
基于谱变换的方法提出设计 JGCF, 该方法有效地处理稀疏数据集与冷启动用户,并在四个公共数据集上实验表明其在阿里巴巴 - iFashion 等数据集中的性能最高可带来 27.06% 的性能提升
Jun, 2023