TimeKit:基于时间序列预测的协同过滤升级工具
将协作过滤问题视为一元时间序列估计问题:根据用户的先前选票预测下一个选票。我们提出了两类方法来转换数据,使其在利用现成的分类和密度估计工具时能够编码时间顺序,并研究了在几个真实数据集上使用这些方法的效果。我们实现的预测准确性的提高,建议使用利用数据时间顺序的其他预测算法。
Jan, 2013
利用卡尔曼滤波器建立一种动态模型,以矩阵分解方法进行协同过滤和相关因式分解建模,通过建模每个低维潜在嵌入为多维布朗运动来解决时间演化问题,并采用几何布朗运动处理隐含参数漂移问题,同时还应用平均场变分近似对后验概率分布的复杂性提出了解决方法。该模型在多个大型数据集上进行了评估。
Jan, 2015
本研究介绍了一种用于连续数据流更新模型的协同过滤模型(Tucker Integrator Recommender - TIRecA),它可以通过仅使用新数据段来高效更新参数,从而实现对推荐系统中新用户和物品的增量添加,实验结果表明其训练速度是基线方法的 10-20 倍,而在预测质量方面能够达到与基线方法相当的水平。
Dec, 2023
提出了一种新型的推荐系统,TimelyRec,通过考虑用户偏好的不同的时间模式和其他特征(即周期性与演化)来联合学习用户偏好的异质性时间模式并利用一种注意力模块,进而提供及时的推荐,实验结果表明该方法在实现及时推荐时表现出色。
Apr, 2021
我们提出了一种基于时间的协同过滤算法,通过个性化衰减函数,自适应折扣远距离的客户 - 产品交互,以处理金融数据的非稳态,并建模客户和产品之间的动态协同信号,以提供可靠的金融产品推荐。通过使用来自巴黎银行的专有数据集进行评估,我们证明了相对于相关文献中最先进的基准线的显著改进,强调了将时间明确纳入模型以提高金融产品推荐的准确性的重要性。
Aug, 2023
本文提出了一种基于 Hierarchical RNN 和 Point Process 模型的联合模型,在推荐和用户回归时间预测方面显著提高了推荐质量。
Dec, 2018
TimeMachine 是一种创新的模型,利用 Mamba 作为状态空间模型来捕捉多变量时间序列数据中的长期依赖关系,同时具有线性可扩展性和小内存占用。TimeMachine 利用时间序列数据的独特属性,在多个尺度上生成显著的上下文提示,并利用一种创新的集成四重 - Mamba 架构统一处理混合通道和独立通道情况,从而在不同尺度上以全局和局部上下文的方式对内容进行有效选择以进行预测。实验结果表明,TimeMachine 在预测准确性、可扩展性和内存效率方面表现出优异的性能,已在基准数据集上进行了广泛验证。
Mar, 2024
提出了一种基于时间顺序的用户行为建模方法,通过融合顺序模式和时间合作信号,并采用 TCT 层和连续时间二分图,设计了一种新的框架 (Temporal Graph Sequential Recommender),该模型有效提高了推荐质量。
Aug, 2021
本研究提出了一种新的核方法,名为 TCK$_{IM}$,通过集成学习策略和新型混合贝叶斯混合模型,能够有效利用电子健康记录中的多变量时间序列的缺失数据,避免了插值方法的使用,具有无标签学习的鲁棒性。通过在三个真实世界的临床数据集上进行实验,证明了所提出核方法的有效性。
Feb, 2020
本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中,作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案,该方案在 100 多个参与者中获得第 5 名,证明序列模型在推荐系统中具有非常好的应用前景。
Aug, 2016