สุดยอดแห่งการกรองความร่วมมือ


13

ฉันกำลังทำงานในโครงการสำหรับการกรองร่วมกัน (CF) เช่นการทำเมทริกซ์ที่สังเกตได้บางส่วนหรือเทนเซอร์ทั่วไป ฉันเป็นมือใหม่ในสนามและสำหรับโครงการนี้ในที่สุดฉันก็ต้องเปรียบเทียบวิธีการของเรากับคนอื่น ๆ ที่รู้จักกันดีว่าทุกวันนี้มีการเปรียบเทียบวิธีที่เสนอกับพวกเขานั่นคือ state-of-the-art

การค้นหาของฉันเปิดเผยวิธีการดังต่อไปนี้ แน่นอนฉันเจอพวกเขาโดยดูที่เอกสารเหล่านี้บางส่วนและการอ้างอิงของพวกเขาหรือโดยดูที่ส่วนการทดลองเมื่อพวกเขาทำการเปรียบเทียบ ฉันยินดีที่จะทราบวิธีการเสนอใหม่และทำการเปรียบเทียบกับ SoTA ข้อใดต่อไปนี้เป็นทางเลือกที่ดีที่จะทำ หากไม่ใช่ในหมู่พวกเขาฉันยินดีที่จะรู้จักตัวแทนที่ดี

ขึ้นอยู่กับการแยกตัวประกอบเมทริกซ์:

  1. การจัดอันดับโดยถ่วงน้ำหนักต่ำ (ICML 2003)
  2. การสร้างแบบจำลองโปรไฟล์คะแนนผู้ใช้สำหรับการกรองแบบร่วมมือกัน (NIPS 2003)
  3. รูปแบบ Multiplicative Factor หลายตัวสำหรับการกรองแบบร่วมมือกัน (ICML 2004)
  4. การแยกตัวประกอบอัตรากำไรขั้นต้นสูงสุดอย่างรวดเร็วสำหรับการคาดการณ์ความร่วมมือ (ICML 2005)
  5. การแยกตัวประกอบเมทริกซ์น่าจะเป็น (NIPS 2007)
  6. การแยกตัวประกอบเมทริกซ์น่าจะเป็นแบบเบย์ (ICML 2008)
  7. แบบจำลองปัจจัยแฝงที่อิงตามการถดถอย (KDD 2009)
  8. การแยกตัวประกอบเมทริกซ์แบบไม่เชิงเส้นด้วยกระบวนการเกาส์เซียน (ICML 2009)
  9. การแยกตัวประกอบการทรงตัวแบบไดนามิก (การประชุม ACM บนระบบผู้แนะนำ 2015)

ขึ้นอยู่กับการแยกตัวประกอบแรงดึง:

  1. การรวมข้อมูลบริบทในระบบผู้แนะนำโดยใช้วิธีการหลายมิติ (ธุรกรรม ACM ในระบบข้อมูล (TOIS) 2005)
  2. Bayesian Probabilistic Tensor Factorization (SIAM Data Mining 2010)
  3. เสร็จสิ้นการจัดอันดับต่ำโดยการเพิ่มประสิทธิภาพ Riemannian (คณิตศาสตร์เชิงตัวเลข BIT 54.2 (2014)

1
เทนเซอร์สำหรับข้อมูลต่อเนื่องหรือไม่ ข้อมูลผสมกันไหม ข้อมูลหมวดหมู่? เนื่องจากคุณไม่ได้พูดบางทีเราสามารถสันนิษฐานได้อย่างต่อเนื่อง Bayesian Tensor Regressionของ David Dunson เป็นวิธีการสำหรับตารางฉุกเฉินที่อาจให้ข้อมูลเชิงลึกหรือคำแนะนำบางอย่าง - แต่ไม่ใช่แนวทาง RS researchgate.net/publication/… และดูเอกสารในเว็บไซต์ของเขาที่ Duke U.
Mike Hunter

1
คุณอาจพิจารณาการแยกตัวประกอบเมทริกซ์แบบไม่ลบ (NMF)
diadochos

รายการของคุณดูสมเหตุสมผลฉันก็จะเพิ่มวิธีการตามเครือข่ายประสาท มีกระดาษสำรวจที่ดีสำหรับการเริ่มต้นคือarxiv.org/pdf/1707.07435.pdf
sebp

คำตอบ:


1

นอกจากนี้คุณยังสามารถดูกระดาษGravity Recommendation System (GRS) ซึ่งเป็นเรื่องเกี่ยวกับ Matrix Factorization ผู้เขียนแข่งขันโดยใช้อัลกอริทึมนี้ในรางวัล Netflix ที่รู้จักกันดี

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.