动态泊松分解
本文提出了一种基于复合泊松矩阵分解的共轭数值稳定动态矩阵分解(DCPF)方法,用于建模平滑漂移的潜在因素和预测未来的用户 - 项交互,通过 Netflix、Yelp 和 Last.fm 等数据集的测试,DCPF 模型的预测准确性优于目前流行的静态和动态因子分解模型。
Aug, 2016
本文提出了一种称为 Recurrent Poisson Factorization (RPF) 的框架,该框架可以将经典 PF 方法进行推广,通过利用泊松过程来建模隐式反馈,从而处理动态用户偏好和商品规格、社交产品采纳方面的问题以及用户和商品之间的消费异质性,并且,我们还开发了一种变分算法来进行近似后验推断,以及在合成数据集、音乐串流日志和电子商务平台上演示了 RPF 方法的优越性。
Mar, 2017
本篇论文旨在通过 recently proposed compound Poisson Factorization(cPF)方法,建立基于原始计数数据的推荐系统。研究结果表明,应用 dcPF 模型可以有效地调整过度离散数据,并提高推荐得分。
May, 2019
提出一种基于状态空间模型的矩阵分解方法,可解决处理用户随时间变化的推荐系统问题,利用卡尔曼滤波器等技术提供准确的推荐结果,通过期望最大化算法学习系统参数,并与当前发表的技术进行比较。
Oct, 2011
本文提出了一种基于动态矩阵分解框架的协同过滤方法,该方法允许在未知值上设置显式先验,能够在用户、物品或者评分的数量增加时快速更新分解,从而快速向最近的用户推荐物品。该方法在三个大规模数据集上进行了测试,包括两个非常稀疏的数据集,在静态和动态条件下均取得了优于不使用先验值的矩阵分解方法的结果。
Jul, 2015
通过将用户评分行为建模为泊松过程,设计出一种算法来解决推荐问题和冷启动问题,并证明其相对于矩阵因子分解、随机放置、Zipf 放置、ZeroMat 和 DotMat 等算法的优越性。
Dec, 2022
介绍了一种新的基于双重泊松分层 Gamma 结构的非负矩阵分解模型,可以更好地处理极端稀疏数据的推荐系统, 分离了因素之间的稀疏性和用户行为的响应,可以为响应变量选择最合适的分布类型。
Apr, 2016
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