Aug, 2017

基于隐性反馈的在线推荐快速矩阵分解

PDF
TL;DR本次研究旨在提高矩阵因式分解（MF）在隐式反馈中的效率和效果，其中解决了现存工作中的两个问题：缺少反馈数据和扩展动态更新策略。我们基于项目的流行度提出了一个新颖的变量加权方法，并设计了一个基于 eALS 技术的学习算法，用于优化具有变量加权缺失数据的 MF 模型，并实现了一种增量更新策略。通过离线和在线的实验验证表明，我们的 eALS 方法相对于现有研究表现更佳。
matrix factorizationimplicit feedbackmissing dataitem popularityeals method
发现论文，激发创造
  • 缺失数据上非均匀加权快速矩阵分解

    本文利用加权矩阵进行非均匀权重的矩阵分解，提出了一种在观测到的数据矩阵的情况下快速学习的方法，该方法有效地解决了数据矩阵中的数据缺失问题。

    Nov, 2018

  • 快速自适应加权矩阵分解在具有隐式反馈推荐中的应用

    提出了基于变分自编码器的快速自适应加权矩阵分解 (FAWMF) 方法，通过参数化神经网络自适应地分配个性化数据置信度权重，并采用新的特定基于批次的学习算法 fBGD 实现快速和稳定的学习。

    Mar, 2020

  • 在线矩阵分解推荐的交替线性赌博机算法

    本文提出了一种在线矩阵分解推荐算法，结合了线性赌博和交替最小二乘法，通过累积遗憾和平均累积 NDCG 评估算法性能，实验结果表明该算法在三个综合数据集和三个真实数据集上优于两个最先进的在线算法。

    Oct, 2018

  • 融合主题和社交潜在因素的协同过滤算法在隐式反馈中的应用

    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

  • 基于快速 ALS 的张量分解在隐式反馈的上下文感知推荐中的应用

    本文提出了一种称为 iTALS 的通用上下文感知隐式反馈推荐算法，它应用了一种快速的 ALS 基张量分解学习方法，同时保持计算效率，实验结果显示，通过将上下文感知信息与我们的分解框架集成到最先进的隐式推荐算法中，推荐的质量得到了显着提高。

    Apr, 2012

  • 通过可扩展的张量分解从隐含数据中实现上下文感知的推荐

    该论文提出了一种上下文感知的通用隐式反馈推荐算法，使用基于张量分解的学习方法，同时结合了季节性和购买顺序等上下文信息，显著优于无上下文和基准模型，并与因式机（在召回和 MAP 方面击败了 12 个案例中的 7 个）相当，具有良好的可扩展性。

    Sep, 2013

  • 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

  • 利用评论和图片进行可解释推荐的 MMALFM 模型

    通过使用多模态、面向方面的主题模型（MATM）和面向方面的潜因子模型（ALFM）来结合文本评论和物品图像与评分，解决了潜因子模型在推荐系统中存在的冷启动、非透明性和子优解等问题，并且在 Yelp 2017 挑战数据集和亚马逊产品数据集上实验表明了该方法的有效性。

    Nov, 2018

  • 非偏向性推荐系统学习来自缺失非随机暗示反馈的信息

    针对推荐系统中存在的正 - 未标记问题，本研究提出一种理想损失函数和无偏估计器，并进一步提出一个剪切估计器来通过平衡偏差和方差来改进推荐系统的性能。半合成和真实实验表明，该方法在最大化推荐物品相关性方面具有更好的性能，特别是对于在训练数据中很少出现的物品。

    Sep, 2019

  • 持续冷启动的在线物品推荐增量分解机

    本文提出了基于增量因式分解机的在线项目推荐方法，能够有效解决用户和项目动态变化的推荐问题，具有较高的可行性和性能表现，是进一步发展生产推荐系统的有前途的基础。

    Jul, 2016