聚类单调变换用于评分分解

WSDMOct, 2018

Clustered Monotone Transforms for Rating Factorization

Gaurush Hiranandani, Raghav Somani, Oluwasanmi Koyejo, Sreangsu Acharyya

TL;DR本文提出了一种推荐系统技术 ——CMTRF，它利用单调转换和矩阵分解回归对评分矩阵进行优化，避免非线性转换破坏矩阵的低秩结构，比其他最先进的基线算法表现更好。

Abstract

Exploiting low-rank structure of the user-item rating matrix has been the crux of many recommendation engines. However, existing recommendation engines force raters with heterogeneous behavior profiles to map their intrinsic rating scales to a common rating scale (e.g. 1-5). This non-l

recommendation engine rating matrix monotonic transforms matrix factorization regression

发现论文，激发创造

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

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

推荐系统的数据增强：使用最大间隔矩阵分解的半监督方法

探讨了数据增强和细化最大边际矩阵分解的方面，提出了一种基于自训练的半监督方法，通过迭代使用高置信度的预测评级来增加训练数据和移除不确定的条目，从而改善基线方法的性能。

Jun, 2023

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

综合评分、社交关系和评论的综合推荐方法

本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。

Jan, 2016

基于元矩阵分解的联邦评分预测

本论文中介绍了一种针对移动环境下的评分预测的新型联邦学习框架 —— 元矩阵分解（MetaMF）。MetaMF 拥有很强的可扩展性和适应性，可以更好地利用用户 / 设备之间的协同过滤信息进行更准确的评分预测。在四个基准数据集的实验中，MetaMF 的性能表现出色，比现有的联邦方法表现更优秀。

Oct, 2019

度量分解：超越矩阵分解的推荐

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。

Feb, 2018

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

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

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