提出了一种新的推荐技术,称为 “度量分解”,通过使用欧几里得距离测量用户和项目之间的显式接近度来克服矩阵分解中采用的点积无法满足不等式的问题。实验证明,我们的方法在评分预测和项目排名任务上均优于现有的最先进方法。
Feb, 2018
本文提出了两种采用混合维度嵌入的矩阵分解模型,可以采用交替最小二乘法以大规模并行的方式进行优化,并针对用户和项目的流行度偏斜实现了是用稀疏,混合维度或共享嵌入降低参数数量和过度拟合的研究。
May, 2022
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
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
提出一种去中心化的矩阵分解方法作为点 of interest 推荐的解决方案,该方法采用基于随机游走的分布式学习技术,可以显著地提高推荐的准确率和召回率。
Mar, 2020
本文介绍了 TransCF 推荐算法,通过利用邻域信息,利用翻译机制构造用户 - 项目特定的翻译向量,并根据用户与项目的关系把用户向项目进行翻译, 用于解决潜在用户 - 项目关系建模的难题,实验表明该算法在现实世界数据集上具有优异的推荐性能,超过了现有方法。
Jun, 2019
本文提出了一种基于矩阵分解的协同过滤框架,旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换,运用神经信息传递技术计算新场景下用户嵌入。实验结果表明,我们的模型可实现在有限的训练数据下,针对新用户的优秀推荐,并具有等效的矩阵因式分解表现。
Jul, 2020
本研究介绍了一种使用几何深度学习处理用户 / 项目对之间局部稳定性结构的新方法。矩阵完成架构结合了图卷积神经网络和循环神经网络,以学习有意义的统计图结构模式和非线性扩散过程,从而生成已知的评分,具有与矩阵大小无关的恒定参数数量。在合成数据和真实数据集上进行了实验,表明该方法优于现有技术。
Apr, 2017
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。
Aug, 2019
提出一个基于差分隐私和矩阵分解的隐私保护推荐系统,通过高斯机制和输出扰动的方式实现差分隐私,采用 Rényi Differential Privacy 来紧密刻画隐私损失,能够在保证用户隐私的前提下有效地完成推荐任务。
Apr, 2023