Я работаю над проектом для совместной фильтрации (CF), т.е. завершаю частично наблюдаемую матрицу или, в более общем случае, тензор. Я новичок в этой области, и для этого проекта, в конце концов, мне нужно сравнить наш метод с другими известными, которые в настоящее время сравнивают предложенные методы с ними, а именно, с современным уровнем развития CF.
Мой поиск выявил следующие методы. На самом деле, я сталкивался с ними, просматривая некоторые из этих работ и их ссылки, или просматривая раздел экспериментов, когда они проводят сравнения. Я был бы рад узнать о новом предложенном методе и провести сравнение с SoTA, что из следующего было бы хорошим выбором для этого? Если бы не они, я был бы рад узнать хорошего представителя.
На основе матричной факторизации:
- Взвешенная аппроксимация низкого ранга (ICML 2003)
- Моделирование пользовательских рейтинговых профилей для совместной фильтрации (NIPS 2003)
- Модель множественных мультипликативных факторов для совместной фильтрации (ICML 2004)
- Матрица фактора быстрой максимальной максимальной маржи для совместного прогнозирования (ICML 2005)
- Вероятностная матричная факторизация (NIPS 2007)
- Байесовская вероятностная матричная факторизация (ICML 2008)
- Модели латентного фактора на основе регрессии (KDD 2009)
- Нелинейная матричная факторизация с гауссовскими процессами (ICML 2009)
- Динамическая факторизация отравлений (Конференция ACM по рекомендательным системам 2015)
На основе фактора тензора:
- Включение контекстной информации в рекомендательные системы с использованием многомерного подхода (транзакции ACM в информационных системах (TOIS) 2005)
- Байесовская вероятностная тензорная факторизация (SIAM Data Mining 2010)
- Завершение тензорного ранга с помощью римановой оптимизации (BIT Численная математика 54.2 (2014))
Ответы:
Вы также можете взглянуть на документ о системе гравитационных рекомендаций (GRS), который также посвящен матричной факторизации. Авторы соревновались, используя этот алгоритм в хорошо известной премии Netflix.
источник