本文提出了一种可扩展的贝叶斯偏好学习方法,用于在没有黄金标准评分或排名的情况下识别有说服力的论点,通过开发一种用于高斯过程偏好学习的随机变分推理方法,发现贝叶斯方法可以有效地预测争论中的有说服力的论点,并且可以通过推广主动学习来降低所需数据的量。
Jun, 2018
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
本文针对协作排名问题展开研究,通过基于凸优化的算法和 AltSVM 这种大规模非凸实现方式,实现从用户提供的两两偏好比较结果中预测他们对未曾见过物品的偏好,该算法展现出了在多个协作过滤数据集中 NDCG 和排名性能的许多中等规模基线的表现优势。
Jul, 2015
本文研究了从一群回答者中同时进行偏好和度量学习的问题,旨在捕捉单个用户的偏好和相似度度量标准,同时享有样本成本分摊。通过研究连续响应设置和噪声二进制测量,证明了该模型足够灵活,能够有效地满足不同需求,并提高了学习的样本复杂度,最终在模拟数据和真实数据中进行了实际效果验证。
Jul, 2022
本研究旨在提出两种基于中华餐厅过程 (CRP) 先验概率和分层结构的全新无监督模型,以更好地处理众包数据标注中用户注释的质量问题,并利用 Gibbs 采样的高效推理算法对其进行实验验证。
Jul, 2014
我们提出了一种基于主题建模的方法来预测配对比较中的偏好,该方法利用新的生成模型来捕获预测人群中多种共享潜在排名以及自然的不一致性,并将潜在排名的估计形式地归约为相当于统计模型中的话题建模问题,在此基础上利用相关领域的新进展开发了一个算法,该算法可以以可证明的一致性、样本和计算复杂度的保证学习共享的潜在排名,并在一些半合成和真实世界数据集上证明了与当前最先进方法在预测偏好方面的实证竞争力。
Dec, 2014
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
本文提出了一种基于贝叶斯图形模型的技术,用于有效地处理高度冗余注释数据,相比于多数真实推断模型,我们的方法得出了更优质的结果。
Feb, 2019
本研究提出了基于随机块模型和贝叶斯方法的新型方法,用于预测个人偏好并确定个体的相关群组,相对于已有的工业级算法,该方法有 38% 至 99% 的相对提升。
Oct, 2012
我们提出了一个高效的生成模型,同时考虑用户偏好、物品的共现以及一些重要的图结构信息,以解决推荐系统中的问题。通过在四个常用基准数据集上进行实验证明了我们提出的图生成方法在推荐系统中的有效性。
Nov, 2023