Feb, 2018

度量分解：超越矩阵分解的推荐

PDF
TL;DR提出了一种新的推荐技术，称为 “度量分解”，通过使用欧几里得距离测量用户和项目之间的显式接近度来克服矩阵分解中采用的点积无法满足不等式的问题。实验证明，我们的方法在评分预测和项目排名任务上均优于现有的最先进方法。
matrix factorizationrecommender modelsmetric factorizationeuclidean distancepersonalized item ranking
发现论文，激发创造
  • 通过矩阵分解的几何解释和分析实现公正的推荐

    该研究提出了一种基于矩阵分解的推荐系统，称为 ParaMat，通过对原始数据的几何形状进行分析，设计了一种新的算法并在实验测试中与其他 8 个算法进行比较，证明其是最公平的算法。

    Jan, 2023

  • 协同翻译度量学习

    本文介绍了 TransCF 推荐算法，通过利用邻域信息，利用翻译机制构造用户 - 项目特定的翻译向量，并根据用户与项目的关系把用户向项目进行翻译， 用于解决潜在用户 - 项目关系建模的难题，实验表明该算法在现实世界数据集上具有优异的推荐性能，超过了现有方法。

    Jun, 2019

  • 基于聚类的矩阵分解

    本文提出了一种将通用邻域信息添加到推荐模型的矩阵分解扩展，并将用户和项目分成不同的类别，以查看这些类别共享的偏好。实验证明，将类别的通用潜在特征应用于分解的推荐模型可以提高推荐的准确性。

    Jan, 2013

  • 矩阵分解的高效混合维度嵌入

    本文提出了两种采用混合维度嵌入的矩阵分解模型，可以采用交替最小二乘法以大规模并行的方式进行优化，并针对用户和项目的流行度偏斜实现了是用稀疏，混合维度或共享嵌入降低参数数量和过度拟合的研究。

    May, 2022

  • 自适应边界的概率度量学习用于 Top-K 推荐

    本文提出了基于距离的推荐模型，通过参数化高斯分布、自适应生成间隔以及明确的用户相似度模拟等创新方法，以及采用满足三角不等式和能衡量概率分布间距离的 Wasserstein 距离等措施，成功地解决了个性化推荐系统面临的偏好信息获取难题，并且在五个真实世界数据集上实现了相较于现有最佳方法提高了 4-22% 的推荐准确度。

    Jan, 2021

  • 基于特征的矩阵分解

    本技术报告介绍了特征基矩阵分解的实现，该模型是矩阵分解模型的许多变体的抽象，可以通过定义新特征而利用新类型的信息，而无需修改任何代码。使用该工具包，我们构建了 KDDCup'11 赛道 1 报告的最佳单个模型。

    Sep, 2011

  • 针对长尾中的用户和物品的自适应矩阵补全

    本研究发现 real-world 数据集中的评分偏差会影响基于矩阵补全的协同过滤推荐系统预测准确性，且建议采用基于评分数量的算法以提高预测准确性。

    Apr, 2019

  • 基于项目耦合的矩阵分解

    提出了基于属性关联度的相似度度量方法，将属性耦合关系融入矩阵分解方法来解决推荐系统中的冷启动和稀疏性等问题，并在两个开放数据集上实验验证模型优越性。

    Apr, 2014

  • 电影评分估计算法的性能比较

    本文比较了三种不同的算法（基于用户的协同过滤，迭代矩阵分解和 Yehuda Koren 的集成模型）来预测电影的评分，并使用 RMSE 作为性能评估指标。研究发现，尽管迭代矩阵分解的复杂度较低，但其表现仍然十分优秀。

    Nov, 2017

  • MMF：属性可解释的协同过滤

    本文提出了一种可解释性推荐模型 Multi-Matrix Factorization（MMF），该模型通过利用不同项中存在的共同属性来解决了传统矩阵因子分解模型的可解释性和冷启动问题，并通过加权聚合用户潜在向量和属性潜在向量的内积生成属性评分，提供了更细粒度的分析，综合评测结果表明，MMF 在准确性方面优于现有模型。

    Aug, 2019