Aug, 2019

MMF：属性可解释的协同过滤

PDF
TL;DR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。
collaborative filteringmatrix factorizationinterpretable recommendation modelcommon attributesitem cold-start problem
发现论文，激发创造
  • 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

  • 具有共享用户嵌入的交叉属性矩阵分解模型

    通过将深度学习技术应用于推荐系统，本文提出了一种改良的跨属性矩阵因子分解模型，该模型不仅考虑了用户与物品之间的交互，还跨越了相关属性，有效解决了冷启动问题。实验证明，在高数据稀疏性的情况下，该模型在 Movielens 和 Pinterest 数据集上表现优越。

    Aug, 2023

  • 多领域协同过滤

    本文介绍了多向领域协同过滤问题，通过概率矩阵分解模型不仅考虑了数据稀疏性问题，还能在不同领域自适应地传递知识，实验表明其在实际应用中的有效性。

    Mar, 2012

  • UIPC-MF: 用户 - 物品原型连接矩阵分解用于可解释协同过滤

    UIPC-MF 是基于原型的矩阵因式分解方法，用于可解释的协同过滤推荐，通过学习反映用户和物品原型之间关联关系的连接权重，提供更好的透明度和较高的推荐性能。

    Aug, 2023

  • 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

  • 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

  • FedDMF：使用深度矩阵分解实现隐私保护的用户属性预测

    提出一种新的算法，通过训练不同客户端的深度矩阵因式分解模型并仅共享物品向量来预测用户属性，从而解决用户属性预测中的一些重要隐私问题。

    Dec, 2023

  • 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

  • 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