İşbirlikçi Filtrelemede Son Teknoloji


13

Kısmen gözlenen bir matrisi veya daha genel olarak tensörü tamamlamak için işbirlikçi filtreleme (CF) projesi üzerinde çalışıyorum. Sahaya yeni başlayan biriyim ve bu proje için sonunda yöntemimizi, günümüzde, CF'de son teknoloji olan önerilen yöntemlerin kendileriyle karşılaştırıldığı bilinen diğer yöntemlerle karşılaştırmam gerekiyor.

Araştırmam aşağıdaki yöntemleri ortaya çıkardı. Gerçekten de, bu makalelerin bazılarına ve referanslarına bakarak ya da karşılaştırmalar yaparken deneyler bölümüne bakarak karşılaştım. Önerilen yeni bir yöntemi bilmek ve SoTA ile karşılaştırma yapmaktan memnuniyet duyarım, aşağıdakilerden hangisi bunu yapmak için iyi bir seçim olacaktır? Bunlar arasında olmasaydı, iyi bir temsilci tanımaktan memnuniyet duyarım.

Matris Çarpanlarına Dayalı:

  1. Ağırlıklı Düşük Sıra Yaklaşımı (ICML 2003)
  2. İşbirlikçi Filtreleme için Kullanıcı Derecelendirme Profillerinin Modellenmesi (NIPS 2003)
  3. İşbirlikçi Filtreleme için Çok Çarpımlı Faktör Modeli (ICML 2004)
  4. İşbirlikçi Tahmin İçin Hızlı Maksimum Marj Matris Çarpanlarına Ayırma (ICML 2005)
  5. Olasılıksal Matris Çarpanlarına Ayırma (NIPS 2007)
  6. Bayes Olasılıksal Matris Çarpanlarına Ayırma (ICML 2008)
  7. Regresyon Tabanlı Gizli Faktör Modelleri (KDD 2009)
  8. Gauss Süreçleriyle Doğrusal Olmayan Matris Çarpanlarına Ayırma (ICML 2009)
  9. Dinamik Poission Factorization (Tavsiye Sistemlerinde ACM Konferansı 2015)

Tensör Çarpanlara Dayalı:

  1. Bağlamsal Bilginin Çok Boyutlu Bir Yaklaşım Kullanarak Tavsiye Sistemlerine Dahil Edilmesi (Bilgi Sistemlerinde ACM İşlemleri (TOIS) 2005)
  2. Bayes Olasılıksal Tensör Çarpanlara Ayırma (SIAM Veri Madenciliği 2010)
  3. Riemann optimizasyonu ile düşük dereceli tensör tamamlama (BIT Sayısal Matematik 54.2 (2014))

1
Sürekli veri için bir tensör? Karışık veriler? Kategorik veriler? Söylemediğiniz için, belki sürekli olduğunu varsayabiliriz. David Dunson'un Bayesçi Tensör Regresyonu , bir fikir veya rehberlik sağlayabilecek tensör olasılık tabloları için bir yaklaşımdır - ancak bu bir RS yaklaşımı değildir. Researchgate.net/publication/… Ayrıca Duke U'daki web sitesinde yer alan makalelere göz atın
Mike Hunter

1
Negatif olmayan matris çarpanlarına ayırmayı da (NMF) düşünebilirsiniz.
diadochos

Listeniz makul görünüyor, ayrıca sinir ağlarına dayanan yöntemler ekleyeceğim. Başlamak için iyi bir yer olan bir anket kağıdı var: arxiv.org/pdf/1707.07435.pdf
sebp

Yanıtlar:


1

Ayrıca Matris Faktorizasyonu ile ilgili Gravity Advice System (GRS) kağıdına da göz atabilirsiniz . Yazarlar tanınmış Netflix Ödülünde bu algoritmayı kullanarak yarıştılar.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.