偏好网络：面向推荐系统的概率模型

Jul, 2014

偏好网络：面向推荐系统的概率模型

Preference Networks: Probabilistic Models for Recommendation Systems

Tran The Truyen, Dinh Q. Phung, Svetha Venkatesh

TL;DR论文提出了一种统一的框架 ——Preference Network (PN)，用于推荐系统任务。PN 将基于内容过滤和协作过滤相结合，支持评分预测和 top-N 推荐等查询，并采用了一种简单但有效的伪似然估计方法来解决大规模用户和项目网络学习的难题。实验表明 PN 具有明显的优点。

Abstract

recommender systems are important to help users select relevant and personalised information over massive amounts of data available. We propose an unified framework called preference network (PN) that jointly mod

recommender systems preference network content-based filtering collaborative filtering pseudo-likelihood

发现论文，激发创造

面向推荐系统的偏好和并发感知贝叶斯图神经网络

我们提出了一个高效的生成模型，同时考虑用户偏好、物品的共现以及一些重要的图结构信息，以解决推荐系统中的问题。通过在四个常用基准数据集上进行实验证明了我们提出的图生成方法在推荐系统中的有效性。

Nov, 2023

感知机协同过滤

利用多元逻辑回归分类器、协同过滤和神经网络，在推荐系统中使用感知器模型拟合用户数据并预测用户偏好。

Jun, 2024

神经协同排名

本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

Aug, 2018

基于信任的社交网络推荐系统模型

本文提出了一种基于信任的社交网络推荐系统模型，通过比较基于频率的推荐系统，探究了信任动态、网络密度、偏好异质性和知识稀疏性等对系统性能的影响，发现系统能够自我组织进入到接近最优的状态。

Nov, 2006

基于标准化非负模型的表现性推荐系统

采用归一化的非负模型（NNM）进行数据分析，其价值在于基于它对物品推荐的示例展现了满足三个标准的推荐系统应该具备的高预测力、计算可处理性和用户与物品的表达能力。

Nov, 2015

协同过滤的基于偏好的图形模型

本文研究和提出了两种新的图形模型，解决了用户偏好和评分之间的区别问题，通过两个电影评分数据集的实证研究，证明了明确建模用户偏好对于协同过滤非常重要，但是不能完全忽略评分信息。

Oct, 2012

图形趋势滤波网络用于推荐

本文介绍了通过图神经网络进行推荐的方法，并探讨了现有方法的一些缺点，提出一种基于图趋势过滤网络的新方法，以捕捉交互性的自适应可靠性。

Aug, 2021

神经协同过滤

本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

Aug, 2017

推荐系统简介

本文综述了个性化推荐及推荐系统的经典算法，评估方式，以及最近研究的方向：基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。

Feb, 2023

利用复杂社交网络的模块结构预测人类偏好

本研究提出了基于随机块模型和贝叶斯方法的新型方法，用于预测个人偏好并确定个体的相关群组，相对于已有的工业级算法，该方法有 38% 至 99% 的相对提升。

Oct, 2012