May, 2019

自适应复合泊松因子分解从原始数据生成推荐

PDF
TL;DR本篇论文旨在通过 recently proposed compound Poisson Factorization（cPF）方法，建立基于原始计数数据的推荐系统。研究结果表明，应用 dcPF 模型可以有效地调整过度离散数据，并提高推荐得分。
recommender systemscount datacompound poisson factorizationadaptive algorithmover-dispersion
发现论文，激发创造
  • 基于再发性泊松分解的时序推荐算法

    本文提出了一种称为 Recurrent Poisson Factorization (RPF) 的框架，该框架可以将经典 PF 方法进行推广，通过利用泊松过程来建模隐式反馈，从而处理动态用户偏好和商品规格、社交产品采纳方面的问题以及用户和商品之间的消费异质性，并且，我们还开发了一种变分算法来进行近似后验推断，以及在合成数据集、音乐串流日志和电子商务平台上演示了 RPF 方法的优越性。

    Mar, 2017

  • 使用复合泊松分解的动态协同过滤

    本文提出了一种基于复合泊松矩阵分解的共轭数值稳定动态矩阵分解（DCPF）方法，用于建模平滑漂移的潜在因素和预测未来的用户 - 项交互，通过 Netflix、Yelp 和 Last.fm 等数据集的测试，DCPF 模型的预测准确性优于目前流行的静态和动态因子分解模型。

    Aug, 2016

  • 动态泊松分解

    本论文提出基于 Poisson 分解模型的动态矩阵分解模型 dPF，使用卡尔曼滤波器来建立时间演化的潜在因素，用泊松分布来解释行为，进而提出了可扩展的变分推理算法并在 arXiv.org 上验证，相比静态和其他动态推荐模型，提高了推荐性能。

    Sep, 2015

  • 分层复合泊松分解

    介绍了一种新的基于双重泊松分层 Gamma 结构的非负矩阵分解模型，可以更好地处理极端稀疏数据的推荐系统， 分离了因素之间的稀疏性和用户行为的响应，可以为响应变量选择最合适的分布类型。

    Apr, 2016

  • 泊松因子分解的可伸缩推荐

    研究使用贝叶斯泊松矩阵因式分解模型对大量的稀疏用户行为数据进行推荐，并应用于电影评分、歌曲收听和科学论文阅读等领域，结果表明其优于传统矩阵因式分解方法。

    Nov, 2013

  • 推荐系统的序数非负矩阵分解

    本文介绍了一种新的非负矩阵分解方法 OrdNMF，可以在推荐系统中处理分类数据，而不需要进行二值化处理，并且在数据表示和算法效率方面都具有优势。

    Jun, 2020

  • 使用泊松分布重新构建矩阵分解，解决输入数据缺失的冷启动问题

    通过将用户评分行为建模为泊松过程，设计出一种算法来解决推荐问题和冷启动问题，并证明其相对于矩阵因子分解、随机放置、Zipf 放置、ZeroMat 和 DotMat 等算法的优越性。

    Dec, 2022

  • 关于张量、稀疏性和非负因子分解

    本文研究了稀疏计数数据的多线性建模问题，提出了一个以泊松分布为假设的描述性张量分解模型和相应的算法和理论，并介绍了一种基于主导极小化方法的泊松张量分解算法，称为 CP-APR，并在几个数据集上的结果得到了验证。

    Dec, 2011

  • 离散因子分解机用于基于特征的快速推荐

    本论文提出了一种名为离散因子机（Discrete Factorization Machine, DFM）的泛化特征推荐模型，它将每个特征嵌入的实数模型参数（例如 float32）变成二进制代码（例如布尔值），从而支持高效的存储和快速的用户 - 物品评分计算。与最先进的二值化推荐模型相比，DFM 一直表现出色，并且与其实数版本（FM）相比表现出非常有竞争力的性能，以展示量化损失的最小化。

    May, 2018

  • 行列式点过程的低秩因式分解用于推荐

    本文介绍了一种使用低秩矩阵分解方法学习 DPP 核并实现商品推荐预测计算的新方法，比先前方法快近一个数量级，在多项真实数据集上得到了验证和比较结果。

    Feb, 2016