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:
- Pendekatan Peringkat Rendah Tertimbang (ICML 2003)
- Memodelkan Profil Penilaian Pengguna Untuk Penyaringan Kolaboratif (NIPS 2003)
- Model Faktor Multiplikatif Berganda Untuk Penyaringan Kolaboratif (ICML 2004)
- Faktorisasi Maximum Margin Cepat untuk Prediksi Kolaboratif (ICML 2005)
- Factabilisasi Matriks Probabilistik (NIPS 2007)
- Bayesian Probabilistic Matrix Factorization (ICML 2008)
- Model Faktor Laten Berbasis Regresi (KDD 2009)
- Faktorisasi Matriks Non-linear dengan Proses Gaussian (ICML 2009)
- Dynamic Poission Factorization (ACM Conference on Recommender Systems 2015)
Berdasarkan Faktorisasi Tensor:
- Memasukkan Informasi Kontekstual dalam Sistem Rekomendasi dengan Menggunakan Pendekatan Multidimensi (Transaksi ACM tentang Sistem Informasi (TOIS) 2005)
- Bayesian Probabilistic Tensor Factorization (SIAM Data Mining 2010)
- Penyelesaian tensor peringkat rendah oleh optimasi Riemannian (BIT Numerical Mathematics 54.2 (2014))
Jawaban:
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.
sumber