我正在研究一个用于协同过滤(CF)的项目,即完成部分观察到的矩阵或更一般的张量。我是该领域的新手,最终,对于这个项目,我不得不将我们的方法与当今其他著名的方法进行比较,将提议的方法与它们进行比较,即CF中的最新技术。
我的搜索显示了以下方法。确实,我是通过查看其中的一些论文及其参考文献,或者在进行比较时查看实验部分来发现它们的。我很高兴知道新提出的方法并与SoTA进行比较,那么以下哪个是一个不错的选择?如果没有他们,我很高兴认识一个好的代表。
基于矩阵分解:
- 加权低秩近似(ICML 2003)
- 为协作过滤建模用户评级配置文件(NIPS 2003)
- 协同过滤的多重乘数模型(ICML 2004)
- 用于协作预测的快速最大保证金矩阵分解(ICML 2005)
- 概率矩阵分解(NIPS 2007)
- 贝叶斯概率矩阵分解(ICML 2008)
- 基于回归的潜在因子模型(KDD 2009)
- 具有高斯过程的非线性矩阵分解(ICML 2009)
- 动态Poission分解(ACM会议推荐系统大会2015)
基于张量分解
- 使用多维方法将上下文信息整合到推荐系统中(ACM信息系统交易(TOIS)2005)
- 贝叶斯概率张量因式分解(SIAM Data Mining 2010)
- 通过黎曼优化实现低秩张量完成(BIT数值数学54.2(2014))
1
用于连续数据的张量?混合数据?分类数据?既然您不说,也许我们可以假设是连续的。戴维·邓森(David Dunson)的贝叶斯张量回归是张量列联表的一种方法,该方法可能会提供一些见识或指导-但它不是RS方法。 researchgate.net/publication/… 另外,请查看他在Duke U.网站上的论文
—
Mike Hunter
您还可以考虑非负矩阵分解(NMF)。
—
diadochos
您的清单似乎很合理,我也将添加基于神经网络的方法。有一份调查报告是一个很好的起点:arxiv.org/pdf/1707.07435.pdf
—
sebp