基于项目耦合的矩阵分解
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
通过将深度学习技术应用于推荐系统,本文提出了一种改良的跨属性矩阵因子分解模型,该模型不仅考虑了用户与物品之间的交互,还跨越了相关属性,有效解决了冷启动问题。实验证明,在高数据稀疏性的情况下,该模型在 Movielens 和 Pinterest 数据集上表现优越。
Aug, 2023
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
本文介绍了一种混合矩阵分解模型,通过将用户和项目表示为其内容特征的潜在因素的线性组合,能在各种情况下优于协同过滤、基于内容的模型,特别是在使用用户和项目元数据进行稀缺交互数据的情况下表现优异,并在交互数据丰富的情况下至少与纯协议矩阵分解模型表现一样好,产生的特征嵌入编码了语义信息,类似于词嵌入方法,使它们对一系列相关任务如标签推荐非常有用。
Jul, 2015
本研究探讨集体矩阵分解模型在推荐系统中的应用,提出了一种新的公式,可以更快地预测没有反馈或互动数据但有辅助信息的用户和商品,虽然冷启动推荐不如热启动的推荐准确,但比非个性化推荐效果更好,而且对于新用户的预测比新商品更可靠。此处提出的公式在许多场景下改进了冷启动推荐,但热启动推荐效果有所下降。
Sep, 2018
本研究提出一种模型,在用户冷启动情况下,通过提问找到一些初始化评分,并用这些信息建立有效的代表,以解决协同过滤问题。这种方法在四个不同数据集上得到验证,并改善了基准性能。
Dec, 2014
探讨了数据增强和细化最大边际矩阵分解的方面,提出了一种基于自训练的半监督方法,通过迭代使用高置信度的预测评级来增加训练数据和移除不确定的条目,从而改善基线方法的性能。
Jun, 2023
UIPC-MF 是基于原型的矩阵因式分解方法,用于可解释的协同过滤推荐,通过学习反映用户和物品原型之间关联关系的连接权重,提供更好的透明度和较高的推荐性能。
Aug, 2023
本研究发现 real-world 数据集中的评分偏差会影响基于矩阵补全的协同过滤推荐系统预测准确性,且建议采用基于评分数量的算法以提高预测准确性。
Apr, 2019