สุดยอดแห่งการกรองความร่วมมือ

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)

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