Nov, 2018

利用评论和图片进行可解释推荐的 MMALFM 模型

PDF
TL;DR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。
latent factor modelmulti-modal aspect-aware topic modelaspect-aware latent factor modelrecommendation systemdata sparsity problem
发现论文，激发创造
  • 面向方面的潜在因素模型：使用评价和评论进行评级预测

    本文提出了一种基于文本信息和评分数据来提高推荐系统效能的方法，采用 Aspect-aware Topic Model 将用户的偏好和项目的特征从不同角度进行建模，然后将得出的方面重要性整合到一种学习用户和项目潜在因素的新型 Aspect-aware Latent Factor Model 中，最终获得更好的推荐解释性，并且展现了良好的实验结果。

    Feb, 2018

  • 基于潜在特征的 FM 模型用于评分预测

    本文介绍了两种基于 Latent Dirichlet Allocation (LDA) 和 word2vec 模型的 Feature-based 模型，一个基于主题模型的 FM 模型，一个基于向量模型的 FM 模型，通过对比实验验证，向量模型的 FM 模型效果更好，因为它包含观看历史的顺序信息。

    Oct, 2014

  • 异构网络中多维信息深度协同过滤

    本文提出了一种基于神经网络和异质信息网络的多方面协作过滤模型，用于解决推荐系统中的信息过载问题，通过对用户和物品进行各个方面的相似度矩阵建模和深度神经网络训练，融合各个方面的潜在因素提高推荐性能。

    Sep, 2019

  • 基于语言的用户个人资料推荐

    将用户配置文件表示为可读性较强的文本，在冷启动环境下提供更准确的推荐方法和更短的模型输入长度。

    Feb, 2024

  • 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

  • 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

  • 从多方面评论中学习态度和属性

    本文提出了基于多层次评价维度的评分系统，并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集，证明了该模型的可行性及在现实世界数据上的可扩展性。此外，该模型能够自动学习与特定方面相关的内容词和情感词，从而将评论文本中的内容和情感信息分离开来。

    Oct, 2012

  • 面向评论的注意力方面建模推荐

    本文提出了一种基于注意力机制的基于方面的推荐模型来提高推荐性能并解决了协同过滤方法中面临的问题，例如用户 - 产品之间的稀疏性和用户兴趣动态变化。

    Nov, 2018

  • 推荐系统中的潜在因子模型概述

    推荐系统中的潜在因子模型是一种有效的方法，本文通过结构化框架对潜在因子模型在学习数据、模型架构、学习策略和优化技术等方面进行了系统回顾，并分析了学习数据类型、各种模型和学习策略以及优化策略的趋势与潜在研究方向。

    May, 2024

  • 当因子化遇到论证：朝着论证性解释的方向

    该研究提出一种将基于因子分解的模型与论证框架相结合的新模型，通过在模型的每个阶段提供明确的含义，使其能够产生易于理解的推荐解释，并能够结合用户上下文等附加信息实现更准确的预测。

    May, 2024