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
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
该研究提出了三种相关的斜率一候选推荐方案,采用预测器 f (x) = x + b 的形式,以预测用户对电影的评分,通过考虑用户喜欢和不喜欢的物品,实现了与较慢的基于内存的方案竞争性能的结果,并更好地满足协同过滤应用的要求, 这使它们成为真实世界系统的良好候选项。
Feb, 2007
本研究针对协同过滤在推荐系统中的广泛应用, 介绍了一个基于余弦相似度的在线协同过滤推荐模型,通过探索物品和用户之间的相似关系,期望最大化用户接受推荐的物品数量。研究结果表明,该算法在不知道用户类型数的情况下,经过几步初始探索,就可达到最佳表现。
Oct, 2014
本文提出了一种自监督的协同过滤框架 (SelfCF),能够用于隐式反馈的推荐场景,该框架简化了 Siamese 网络并能够轻松应用于现有的基于深度学习的协同过滤模型,通过三种输出扰动技术来增强骨干网络生成的嵌入,尽管不区分背骨模型,但仍能够在四个数据集上实现比封装的监督对应物更好的推荐准确性,训练速度为 2×-4×,平均能提升 17.79%与自我监督框架 BUIR 相比。
Jul, 2021
本文提出了一种基于文本向量表示的协作过滤算法,用于在获取商品评分困难的情况下进行推荐,并与现有的算法进行了对比验证其有效性。
Mar, 2017
通过对 11 个基准数据集进行广泛的实验,本研究体现了损失函数以及负采样比率的重要性, 并进一步将余弦对比损失函数用于一个简单的统一协同过滤模型 SimpleX 中, 结果表明,在 CCL 损失和大负采样比率下,SimpleX 可以大幅度超越大多数当前最先进的模型。
Sep, 2021
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
提出了一种使用三阶张量分解技术进行在线协同过滤的方法,该方法可通过处理用户反馈作为分类变量建模,并对评价指标进行调整,消除负面反馈的影响,从而提供优质推荐,实现一开始即可个性化推荐。与标准的协同过滤不同,该方法同样精确预测相关物品,即使仅获得负面反馈。同时,在无正反馈情况下,该方法的性能显著优于其他方法,达到了最先进的质量水平。
Jul, 2016