Canggih dalam Penyaringan Kolaboratif

13

Saya sedang mengerjakan proyek untuk filtering kolaboratif (CF), yaitu menyelesaikan matriks yang diamati sebagian atau secara umum tensor. Saya seorang pemula di lapangan, dan untuk proyek ini akhirnya saya harus membandingkan metode kami dengan yang terkenal lainnya yang saat ini, metode yang diusulkan dibandingkan dengan mereka, yaitu state-of-the-art di CF.

Pencarian saya mengungkapkan metode berikut. Memang saya menemukan mereka dengan melihat beberapa makalah ini dan referensi mereka, atau dengan melihat bagian percobaan ketika mereka melakukan perbandingan. Saya akan senang mengetahui metode baru yang diusulkan dan melakukan perbandingan dengan SoTA, yang mana dari yang berikut ini akan menjadi pilihan yang baik untuk melakukannya? Jika tidak ada di antara mereka, saya akan senang mengetahui perwakilan yang baik.

Berdasarkan Faktorisasi Matriks:

  1. Pendekatan Peringkat Rendah Tertimbang (ICML 2003)
  2. Memodelkan Profil Penilaian Pengguna Untuk Penyaringan Kolaboratif (NIPS 2003)
  3. Model Faktor Multiplikatif Berganda Untuk Penyaringan Kolaboratif (ICML 2004)
  4. Faktorisasi Maximum Margin Cepat untuk Prediksi Kolaboratif (ICML 2005)
  5. Factabilisasi Matriks Probabilistik (NIPS 2007)
  6. Bayesian Probabilistic Matrix Factorization (ICML 2008)
  7. Model Faktor Laten Berbasis Regresi (KDD 2009)
  8. Faktorisasi Matriks Non-linear dengan Proses Gaussian (ICML 2009)
  9. Dynamic Poission Factorization (ACM Conference on Recommender Systems 2015)

Berdasarkan Faktorisasi Tensor:

  1. Memasukkan Informasi Kontekstual dalam Sistem Rekomendasi dengan Menggunakan Pendekatan Multidimensi (Transaksi ACM tentang Sistem Informasi (TOIS) 2005)
  2. Bayesian Probabilistic Tensor Factorization (SIAM Data Mining 2010)
  3. Penyelesaian tensor peringkat rendah oleh optimasi Riemannian (BIT Numerical Mathematics 54.2 (2014))
optimization recommender-system matrix-decomposition Cupitor
sumber
1
T tensor untuk data kontinu? Data campuran? Kategori data? Karena Anda tidak mengatakannya, mungkin kita dapat menganggapnya berkelanjutan. Bayesian Tensor Regression karya David Dunson adalah pendekatan untuk tabel kontingensi tensor yang mungkin memberikan beberapa wawasan atau panduan - tetapi ini bukan pendekatan RS. researchgate.net/publication/… Juga, periksa makalah di situs webnya di Duke U.
Mike Hunter
1
Anda juga dapat mempertimbangkan faktorisasi matriks nonnegatif (NMF).
diadochos
Daftar Anda tampaknya masuk akal, saya juga akan menambahkan metode berdasarkan jaringan saraf. Ada kertas survei yang merupakan tempat yang baik untuk memulai: arxiv.org/pdf/1707.07435.pdf
sebp

Jawaban:

1

Anda juga dapat melihat pada kertas Gravity Recommendation System (GRS) paper, yang juga tentang Matriks Factorization. Para penulis bersaing menggunakan algoritma ini dalam Hadiah Netflix yang terkenal.

micts
sumber