Auf dem neuesten Stand der kollaborativen Filterung

13

Ich arbeite an einem Projekt zur kollaborativen Filterung (CF), dh zur Vervollständigung einer teilweise beobachteten Matrix oder allgemeiner eines Tensors. Ich bin ein Neuling auf dem Gebiet, und für dieses Projekt muss ich schließlich unsere Methode mit anderen bekannten vergleichen, die heutzutage vorgeschlagenen Methoden mit ihnen vergleichen, nämlich dem Stand der Technik bei CF.

Meine Suche ergab die folgenden Methoden. In der Tat bin ich auf sie gestoßen, indem ich mir einige dieser Arbeiten und ihre Referenzen angesehen habe, oder indem ich bei Vergleichen den Abschnitt Experimente angesehen habe. Ich würde mich freuen, eine neue vorgeschlagene Methode kennenzulernen und einen Vergleich mit SoTA anzustellen. Welche der folgenden Methoden wäre eine gute Wahl, um dies zu tun? Wenn nicht unter ihnen, würde ich mich freuen, einen guten Vertreter zu kennen.

Basierend auf Matrixfaktorisierung:

  1. Gewichtete Näherung mit niedrigem Rang (ICML 2003)
  2. Modellierung von Benutzerbewertungsprofilen für die kollaborative Filterung (NIPS 2003)
  3. Das Multiple Multiplicative Factor Model für kollaboratives Filtern (ICML 2004)
  4. Schnelle Maximum-Margin-Matrix-Faktorisierung für die kollaborative Vorhersage (ICML 2005)
  5. Probabilistische Matrixfaktorisierung (NIPS 2007)
  6. Bayesian Probabilistic Matrix Factorization (ICML 2008)
  7. Regressionsbasierte Latentfaktormodelle (KDD 2009)
  8. Nichtlineare Matrixfaktorisierung mit Gaußschen Prozessen (ICML 2009)
  9. Dynamische Faktorisierung der Vergiftung (ACM Konferenz über Empfehlungssysteme 2015)

Basierend auf Tensorfaktorisierung:

  1. Einbeziehen von Kontextinformationen in Empfehlungssysteme mithilfe eines mehrdimensionalen Ansatzes (ACM-Transaktionen in Informationssystemen (TOIS) 2005)
  2. Bayes'sche probabilistische Tensorfaktorisierung (SIAM Data Mining 2010)
  3. Niedrigrangige Tensorvervollständigung durch Riemannsche Optimierung (BIT Numerical Mathematics 54.2 (2014))
optimization recommender-system matrix-decomposition Cupitor
quelle
1
Ein Tensor für kontinuierliche Daten? Gemischte Daten? Kategoriale Daten? Da Sie nicht sagen, können wir vielleicht kontinuierliche annehmen. David Dunsons Bayesian Tensor Regression ist ein Ansatz für Tensor-Kontingenztabellen, der möglicherweise einen Einblick oder eine Anleitung bietet - aber kein RS-Ansatz. researchgate.net/publication/… Lesen Sie auch die Artikel auf seiner Website unter Duke U.
Mike Hunter,
1
Sie können auch eine nichtnegative Matrixfaktorisierung (NMF) in Betracht ziehen.
Diadochos
Ihre Liste scheint vernünftig, ich würde auch Methoden hinzufügen, die auf neuronalen Netzen basieren. Es gibt ein Umfragepapier, das ein guter Anfang ist: arxiv.org/pdf/1707.07435.pdf
15.

Antworten:

1

Sie können auch einen Blick auf das GRS-Papier ( Gravity Recommendation System ) werfen , in dem es auch um Matrix Factorization geht. Die Autoren haben sich mit diesem Algorithmus um den bekannten Netflix-Preis beworben.

micts
quelle