Jun, 2023

推荐系统的数据增强：使用最大间隔矩阵分解的半监督方法

PDF
TL;DR探讨了数据增强和细化最大边际矩阵分解的方面，提出了一种基于自训练的半监督方法，通过迭代使用高置信度的预测评级来增加训练数据和移除不确定的条目，从而改善基线方法的性能。
collaborative filteringdata augmentationmaximum margin matrix factorizationsemi-supervised approachrating prediction
发现论文，激发创造
  • 融合主题和社交潜在因素的协同过滤算法在隐式反馈中的应用

    本文以 user-generated content 为基础，提出了一种新的模型 MR3，将 collaborative filtering、social matrix factorization 和 topic matrix factorization 综合起来，加入了 implicit feedback 从而提高了其预测精度。

    Mar, 2018

  • 基于项目耦合的矩阵分解

    提出了基于属性关联度的相似度度量方法，将属性耦合关系融入矩阵分解方法来解决推荐系统中的冷启动和稀疏性等问题，并在两个开放数据集上实验验证模型优越性。

    Apr, 2014

  • MMF：属性可解释的协同过滤

    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

  • 综合评分、社交关系和评论的综合推荐方法

    本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。

    Jan, 2016

  • 基于元矩阵分解的联邦评分预测

    本论文中介绍了一种针对移动环境下的评分预测的新型联邦学习框架 —— 元矩阵分解（MetaMF）。MetaMF 拥有很强的可扩展性和适应性，可以更好地利用用户 / 设备之间的协同过滤信息进行更准确的评分预测。在四个基准数据集的实验中，MetaMF 的性能表现出色，比现有的联邦方法表现更优秀。

    Oct, 2019

  • 基于聚类的矩阵分解

    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

  • 通过动态修剪加速矩阵分解以实现快速推荐

    提出了算法方法加速矩阵分解，通过观察矩阵特征的细粒度结构稀疏性，重新排列特征矩阵并修剪不显著的潜在因素，实现了乘法和更新过程中的动态剪枝操作，加速了推荐系统中矩阵分解的训练过程。

    Mar, 2024

  • 具有共享用户嵌入的交叉属性矩阵分解模型

    通过将深度学习技术应用于推荐系统，本文提出了一种改良的跨属性矩阵因子分解模型，该模型不仅考虑了用户与物品之间的交互，还跨越了相关属性，有效解决了冷启动问题。实验证明，在高数据稀疏性的情况下，该模型在 Movielens 和 Pinterest 数据集上表现优越。

    Aug, 2023

  • 冷启动推荐的表示学习

    本研究提出一种模型，在用户冷启动情况下，通过提问找到一些初始化评分，并用这些信息建立有效的代表，以解决协同过滤问题。这种方法在四个不同数据集上得到验证，并改善了基准性能。

    Dec, 2014

  • 针对长尾中的用户和物品的自适应矩阵补全

    本研究发现 real-world 数据集中的评分偏差会影响基于矩阵补全的协同过滤推荐系统预测准确性，且建议采用基于评分数量的算法以提高预测准确性。

    Apr, 2019