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
本文提出了一种将通用邻域信息添加到推荐模型的矩阵分解扩展,并将用户和项目分成不同的类别,以查看这些类别共享的偏好。实验证明,将类别的通用潜在特征应用于分解的推荐模型可以提高推荐的准确性。
Jan, 2013
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
该研究提出一种将基于因子分解的模型与论证框架相结合的新模型,通过在模型的每个阶段提供明确的含义,使其能够产生易于理解的推荐解释,并能够结合用户上下文等附加信息实现更准确的预测。
May, 2024
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
介绍了一种预测显示广告中用户点击率和转化率的实时预测系统,该系统采用基于领域的分解机方法,得到了良好的预测效果。我们还讨论了模型训练中的一些挑战和解决方案。
Jan, 2017
本文以 user-generated content 为基础,提出了一种新的模型 MR3,将 collaborative filtering、social matrix factorization 和 topic matrix factorization 综合起来,加入了 implicit feedback 从而提高了其预测精度。
Mar, 2018
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。
Apr, 2012
本文提出了一种基于矩阵分解的协同过滤框架,旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换,运用神经信息传递技术计算新场景下用户嵌入。实验结果表明,我们的模型可实现在有限的训练数据下,针对新用户的优秀推荐,并具有等效的矩阵因式分解表现。
Jul, 2020
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