Aug, 2016

使用复合泊松分解的动态协同过滤

PDF
TL;DR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。
collaborative filteringdynamic matrix factorizationlatent factorsuser preferencesstochastic variational inference
发现论文，激发创造
  • 动态泊松分解

    本论文提出基于 Poisson 分解模型的动态矩阵分解模型 dPF，使用卡尔曼滤波器来建立时间演化的潜在因素，用泊松分布来解释行为，进而提出了可扩展的变分推理算法并在 arXiv.org 上验证，相比静态和其他动态推荐模型，提高了推荐性能。

    Sep, 2015

  • 分层复合泊松分解

    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

  • 自适应复合泊松因子分解从原始数据生成推荐

    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

  • 基于再发性泊松分解的时序推荐算法

    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

  • 泊松因子分解的可伸缩推荐

    研究使用贝叶斯泊松矩阵因式分解模型对大量的稀疏用户行为数据进行推荐，并应用于电影评分、歌曲收听和科学论文阅读等领域，结果表明其优于传统矩阵因式分解方法。

    Nov, 2013

  • 动态图协同过滤

    该论文提出一种名为 DGCF 的动态图协同过滤框架，利用动态图来同时捕捉项目和用户的协作和顺序关系，以解决传统的序列模型无法准确捕捉协作信息的问题，并在实验中表现出优越的性能。

    Jan, 2021

  • 快速差分隐私矩阵分解

    提出了一种简单的算法来实现可证明偏差私有性以及良好性能的差异性私人协作过滤。通过差分隐私和贝叶斯后验采样的新型连接方式，该算法可有效实现。同时，通过精细的系统设计和利用数据的幂律行为最大化 CPU 缓存带宽，我们可以在单个 PC 上以 8.5 百万每秒的速率生成 1024 维模型实现推荐。

    May, 2015

  • 具有未知值先验的动态矩阵分解

    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

  • 一种用于时间演进双部分过程的协作卡尔曼滤波器

    利用卡尔曼滤波器建立一种动态模型，以矩阵分解方法进行协同过滤和相关因式分解建模，通过建模每个低维潜在嵌入为多维布朗运动来解决时间演化问题，并采用几何布朗运动处理隐含参数漂移问题，同时还应用平均场变分近似对后验概率分布的复杂性提出了解决方法。该模型在多个大型数据集上进行了评估。

    Jan, 2015

  • 多领域协同过滤

    本文介绍了多向领域协同过滤问题，通过概率矩阵分解模型不仅考虑了数据稀疏性问题，还能在不同领域自适应地传递知识，实验表明其在实际应用中的有效性。

    Mar, 2012