WWWApr, 2024

利用结构复杂度度量评价推荐系统的可预测性

PDF
TL;DR基于用户 - 物品评分矩阵的结构复杂性，此研究引入了数据驱动的度量标准来衡量推荐系统的可预测性。使用奇异值分解和矩阵分解策略，通过扰动数据评估其预测能力，结果表明度量标准与真实数据集上表现最佳的预测算法的准确性之间存在高相关性。
recommender systemspredictabilityuser-item interactionssingular value decompositionmatrix factorization
发现论文，激发创造
  • 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

  • 推荐模型如何加剧流行偏见：光谱视角的分析

    推荐系统存在流行度偏差问题，本研究深入研究了流行度偏差放大的原因，并提出一种使用主奇异向量的导数来缓解这种偏差的新方法，通过对主奇异值的大小施加惩罚，验证了该方法在七个真实数据集和三个测试场景下的卓越性能。

    Apr, 2024

  • 协同过滤预测算法的实证分析

    该文章描述了几种算法来实现协同过滤或推荐系统，并使用不同的评估方法比较了它们的预测准确性。结果表明，在大多数情况下，每个节点具有决策树的贝叶斯网络和相关性方法优于贝叶斯聚类和向量相似度方法。

    Jan, 2013

  • 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

  • 动态推荐系统中的流行度偏差度量

    量化推荐系统中的偏见和偏差是重要的，本文提出了四个度量指标来衡量受时间和敏感用户组影响的推荐系统中的流行度偏差，并展示了这些度量指标综合使用时能够全面了解敏感群体之间的不公平对待逐渐增加的情况。

    Oct, 2023

  • 基于用户活动中心的社交影响力用于兴趣点推荐

    该论文使用矩阵分解技术将社交、地理和时间信息纳入推荐系统中，增加了友谊算法和活动中心，从而提高了 POI 推荐系统的性能。实验结果表明，该模型在真实世界数据集上优于现有技术，精确率提高了 31% 和 14%。

    Jan, 2022

  • 利用智能推荐系统作为首要的弹性度量 —— 基于数据驱动的供应链中断响应框架

    利用智能推荐系统技术提出了一种新的数据驱动型供应链中断响应框架，并通过实际应用验证了概念模型，结果表明该框架可以作为有效的供应链中断缓解措施，在首次响应阶段帮助供应链参与者获得更好的反应性能。

    Mar, 2024

  • 通过分形扩展实现可扩展的逼真推荐数据集

    通过扩展现有的公共数据集并使用 Kronecker 图理论，我们开发了一种技术，可以保留用户参与度、项目流行度以及用户 / 项目交互矩阵奇异值谱的关键高阶统计特性，从而构建大型真实合成数据集，用于可靠地对推荐系统及其训练系统进行基准测试。

    Jan, 2019

  • 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

  • 通过随机可达性量化推荐系统中的可用性和发现性

    本文探讨了交互式推荐系统中偏好模型如何影响内容可用性和用户的发现机会，并以基于随机可达性的评估过程为基础提出了一种量化推荐目标内容到达用户的概率上限的方法。该指标能够有效检测内容可用性的偏见，诊断用户发现机会的限制，展示出选择规则和用户干预对推荐过程的影响以及这些影响的分布是否均匀。

    Jun, 2021