KDDMar, 2017

基于再发性泊松分解的时序推荐算法

PDF
TL;DR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。
poisson factorizationimplicit feedbacktemporal behaviorrecurrent poisson factorizationvariational algorithm
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

  • 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

  • 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

  • 使用复合泊松分解的动态协同过滤

    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

  • 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

  • 使用泊松分布重新构建矩阵分解，解决输入数据缺失的冷启动问题

    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

  • 神经张量分解

    本文提出了基于神经张量分解的动态关系数据预测模型，该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用，并结合多层感知器结构学习不同潜在因素之间的非线性关系，实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。

    Feb, 2018

  • 基于强化泊松过程的流行度动态建模与预测

    使用一种增强泊松过程的生成性概率框架来预测个体在复杂演化系统中的流行动态，并成功证明此模型在引文数据集上表现优异。

    Jan, 2014

  • 为下一篮推荐建模个性化物品频率信息

    通过对真实数据的分析，我们发现个性化商品频率（PIF）信息对于 Next-basket recommendation（NBR）至关重要，因此我们提出了一种基于最近邻的简单方法，可以直接利用这些关键信号，并通过四个公共真实数据集的评估证明这种方法通常优于现有的 NBR 方法 - 包括使用 RNN 的深度学习方法 - 当 PIF 关联的模式在数据中扮演重要角色时。

    May, 2020

  • 具有公共项目特征的私有矩阵分解

    利用公共物品特征在训练中，通过基于搜集矩阵分解的方法，可以有效缓解使用不同隐私保护技术训练的推荐模型的品质损失。

    Sep, 2023