本研究提出了一种层次贝叶斯模型,名为 CDL,其通过深度表示学习和协作过滤来处理稀疏的推荐数据,并在三个真实世界数据集上验证了其有效性。
Sep, 2014
本研究提出一种模型,在用户冷启动情况下,通过提问找到一些初始化评分,并用这些信息建立有效的代表,以解决协同过滤问题。这种方法在四个不同数据集上得到验证,并改善了基准性能。
Dec, 2014
本研究通过解决冷启动问题来建立协同过滤(CF)的推荐系统,并通过将优化问题形式化为寻找内容不可用的新项目的最优用户评级的任务来研究是否可以仅使用 CF 技术来缓解此问题。我们提出了单调超模函数的目标函数,并提出一种基于高效最优设计的算法来找到逼近其最优解的解。最后,我们使用 Netflix 数据集对我们的算法进行经验证实,证明其性能超过了该问题的多个基准。
Jun, 2014
本论文提出了一种个性化神经嵌入框架 (PNE),通过融合互动和单词来预测用户对物品的期望,解决了传统协同过滤方法中物品与用户关系稀疏的问题,并在两个真实数据集上展示了比四个基线模型更好的性能表现。同时,通过可视化展示了 PNE 可以学习到有意义的单词嵌入。
Mar, 2019
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
本文讨论的是在线和交互式协作过滤中的查询问题,并提出了使用离线原型设计和计算期望信息价值的界来减小在线计算的开销,重点研究了多因素向量量化模型的案例。
Oct, 2012
通过合成反馈循环 (CF-SFL) 来模拟用户反馈的学习框架提高传统协作过滤 (CF) 的推荐系统,能够以更好的结果在多个数据集上提升用户体验。
Oct, 2019
本文以 user-generated content 为基础,提出了一种新的模型 MR3,将 collaborative filtering、social matrix factorization 和 topic matrix factorization 综合起来,加入了 implicit feedback 从而提高了其预测精度。
Mar, 2018
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
基于协同过滤模型的课程推荐引擎的提出与优化,解决了缺乏评级和元数据、课程注册不平衡以及课程依赖性建模等挑战,并通过基于课程转换网络的图推荐器,实现了真实数据集 AUC 值高达 0.97。
Nov, 2023