Sep, 2022

利用因子分解机进行个性化游戏难度预测

PDF
TL;DR本文研究了使用因式分解机方法，通过观察玩家尝试次数来实现对游戏难度的个性化估计，并且与基准策略和使用随机森林的个性化预测进行比较，结果表明因式分解机是一种有前途的工具，可以帮助游戏设计师优化玩家体验，并更加深入地了解其玩家和游戏的特征。
personalized difficulty estimationfactorization machinesgame levelsuser experiencecontent recommendation
发现论文，激发创造
  • 现实世界在线广告系统中的领域感知因子分解机

    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

  • 知识追踪机器：因子分解机用于知识追踪

    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

  • 大规模推荐系统中用于偏好获取的变分因子机

    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

  • 知识追踪的深度分解机

    本文介绍了我们在 2018 年 Duolingo 共享任务中针对第二语言习得建模（SLAM）提出的解决方案。我们使用了一种深度分解机，一种用于用户、项目、技能和其他实体之间成对关系建模的宽而深的学习模型。我们的解决方案（AUC 0.815）希望能够击败逻辑回归基线（AUC 0.774），但并未超过最佳性能模型（AUC 0.861），并揭示了建立项目反应理论模型的有趣策略。

    May, 2018

  • 持续冷启动的在线物品推荐增量分解机

    本文提出了基于增量因式分解机的在线项目推荐方法，能够有效解决用户和项目动态变化的推荐问题，具有较高的可行性和性能表现，是进一步发展生产推荐系统的有前途的基础。

    Jul, 2016

  • 基于神经网络的稀疏预测分析的因子分解机

    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

  • fastFM: 因子分解机的库

    本文介绍因子分解机及其在机器学习、推荐系统、处理稀疏高维特征等领域的应用。作者提供了一个易用的因子分解机实现，支持回归、分类和排序等任务，为这一模型在广泛的应用领域提供了便利和潜力。

    May, 2015

  • 基于因子分解机的神经网络用于 CTR 预测的 DeepFM

    本文提出了一个新的深度学习模型 DeepFM，既能够强调低阶特征交互，又能够强调高阶特征交互，接受的特征也不需要进行专业的工程处理。经过实验证明，DeepFM 比现有模型更有效和更高效用于 CTR 预测。

    Mar, 2017

  • 高阶分解机

    本文介绍了一种用于训练任意阶 HOFMs 的通用且高效的算法，以及具有共享参数的新变体，这大大减少了模型大小和预测时间，同时保持了类似的准确性，并在四个不同的链接预测任务上演示了所提出的方法。

    Jul, 2016

  • 基于推荐系统的下一学期学生成绩预测

    研究了高等教育中学生保留率的问题，通过学习历史记录数据和其他信息预测学生成绩，发现了教师特征和学生表现之间的强烈联系，探索了预测模型并发现了能够准确预测成绩的混合方法。

    Apr, 2016