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
该研究中提出了一种基于 LSTM 和 LRP 的深度复发因子模型,将线性多因子模型扩展为非线性和时变,具有更好的预测能力。
Jan, 2019
本研究提出了一种基于协作矩阵分解的解决方案,称为 M3Lcmf,该方法使用异构网络编码不同类型的关系,探索包、实例和标签之间的潜在关系,并选择性地合并数据矩阵,进一步引入聚合方案,将实例级标签聚合到包级别,并指导分解,实验结果表明,在实例级和包级预测方面,M3Lcmf 优于其他相关解决方案。
May, 2019
本文提出了一种凸分解机方法(CFM),它是广泛使用的分解机(FM)的一个凸变体。该方法可以找到全局最优解,并已在应用于多视角矩阵分解和张量完成问题时获得成功。
Jul, 2015
本文提出了一种用于稀疏数据预测的新型模型 Neural Factorization Machine(NFM),将因子分解机(Factorization Machines,FM)中二阶特征交互的线性性与神经网络中高阶特征交互的非线性相结合,实验证明 NFM 在深度学习方法 Wide&Deep 和 DeepCross 的基础上,使用更浅的结构却提供更好的性能,在实际中更易于训练和调节。
Aug, 2017
介绍了一种预测显示广告中用户点击率和转化率的实时预测系统,该系统采用基于领域的分解机方法,得到了良好的预测效果。我们还讨论了模型训练中的一些挑战和解决方案。
Jan, 2017
本文提出了一种用于大规模数据的变分 Factorization Machines 算法,通过标准的 Mini-Batch 随机梯度下降法实现优化,从而为预测结果提供可靠的置信度,并在多个数据集上展示了其在预测准确性上具有与现有方法相媲美甚至更好的性能,同时提出了在偏好调查技术等活动策略中的应用。
Dec, 2022
我们开发了从面板数据中估计政策干预措施的估计量,允许混淆回归因子的非线性效果,并使用三个著名的机器学习算法(LASSO、分类和回归树以及随机森林)来研究这些估计量的性能。
Dec, 2023
本研究通过使用分解机(FM),一种回归或分类的模型,展示了它是目前已有的一些教育文献中现有模型的特例,可精确快速地估计学生知识,适用于多种知识组件和技能水平尝试的学生模型,提供了一个试验平台,以尝试新的特征组合,以改进现有模型。
Nov, 2018
本文介绍一种可以应用于非高斯离散数据的完全纵向数据分析方法 —— 广义线性混合效应模型,详细讨论了该方法在最大似然法下缺失数据假设机制的可行性,以及如何进行敏感性分析,并结合两个病例进行实证分析。
Jun, 2006