ACCAMS: 增量协同簇类以简洁近似矩阵
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
介绍了一种基于共现方向的确定性算法,用于流式处理下的矩阵乘积近似,与其他随机和确定性方法相比,共现方向实现了更好的近似误差界限。算法可在较小的草图规模下实现最佳低秩逼近的 $1+ε$- 近似,实验证明该算法胜过竞争算法。
Oct, 2016
通过实验和比较,本研究证明了集成聚类方法中的证据累积聚类和 k-means 算法在共识聚类中取得了较好的结果和较低的计算成本。
Nov, 2023
提出了一种使用本地信息和视图之间的互补信息来学习所有样本的通用潜在表示的简单方法,通过对每个视图的基础矩阵施加正交约束,该方法能够处理缺失视图的多视图聚类和分类任务,并证明在多个多视图数据集上能显著提高聚类性能。
Sep, 2018
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
在 Ma 和 Chen 引入的模型的基础上,本文提出了一种两阶段的算法来处理矩阵填充中的观测偏差,并利用共享信息来提高预测性能,经实验证明本算法的表现可与未观测协变量相同,并获得性能提高。
Jun, 2023
本文提出了两种采用混合维度嵌入的矩阵分解模型,可以采用交替最小二乘法以大规模并行的方式进行优化,并针对用户和项目的流行度偏斜实现了是用稀疏,混合维度或共享嵌入降低参数数量和过度拟合的研究。
May, 2022
研究了利用社交或项目相似性图作为辅助信息的矩阵完成问题,开发了一种通用、无参数、计算效率高的算法,该算法从分层图聚类开始,然后迭代地在图聚类和矩阵评级上进行估计。在考虑社交图和低秩评级矩阵模型下,我们证明了我们的算法达到了最大似然估计推导的观察矩阵条目数量的信息熵界限(即最优的样本复杂度)。利用社交图的分层结构相对于仅仅识别不同群体而不诉诸它们之间的关系结构可以获得显著的样本复杂度增益。我们在合成和实际数据集上进行了广泛的实验,以验证我们的理论结果,并证明相对于利用图侧信息的其他矩阵完成算法,我们的算法具有显著的性能改进。
Jan, 2022