协同过滤预测算法的实证分析
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
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
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
将协作过滤问题视为一元时间序列估计问题:根据用户的先前选票预测下一个选票。我们提出了两类方法来转换数据,使其在利用现成的分类和密度估计工具时能够编码时间顺序,并研究了在几个真实数据集上使用这些方法的效果。我们实现的预测准确性的提高,建议使用利用数据时间顺序的其他预测算法。
Jan, 2013
本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法,并结合主题建模和概率矩阵分解,从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性,并展现了该算法在推荐系统方面优于现有方法的实验结果,揭示了社交圈在信息的决策过程中比个人品味更具影响力,以及可能在许多利用社交信息的推荐系统中存在的信息泄露问题的解决方案。
Jun, 2012
本文提出一种由协同过滤数据样本优化得到的基于内容相似度度量的音乐推荐系统,能够对于新颖或不受欢迎音乐领域的查询给出高精度和高效率的回答,并且在实验中得出了显著的精度改善。
May, 2011