협업 필터링의 최신 기술

CF (collaborative filtering)를위한 프로젝트, 즉 부분적으로 관찰 된 매트릭스 또는보다 일반적으로 텐서를 완성하는 중입니다. 나는이 분야의 초보자이며,이 프로젝트를 위해 우리의 방법을 요즘 제안 된 방법, 즉 CF의 최신 기술과 비교하는 다른 잘 알려진 방법과 비교해야합니다.

내 검색에서 다음 방법이 밝혀졌습니다. 실제로 나는이 논문들과 참고 문헌을 보거나 그들이 비교할 때 실험 섹션을 보았을 때 그것들을 발견했습니다. 제안 된 새로운 방법을 알고 SoTA와 비교할 수 있다면 기꺼이 다음 중 어느 것이 좋을까요? 그들 중 하나가 아니라면, 나는 좋은 대표를 알게되어 기쁘다.

행렬 분해를 기반으로 :

1. 가중 낮은 순위 근사 (ICML 2003)
2. 협업 필터링을위한 사용자 평가 프로파일 모델링 (NIPS 2003)
3. 공동 필터링을위한 다중 곱셈 요소 모델 (ICML 2004)
4. 협업 예측을위한 빠른 최대 마진 매트릭스 인수 분해 (ICML 2005)
5. 확률 적 행렬 분해 (NIPS 2007)
6. 베이지안 확률 행렬 인수 분해 (ICML 2008)
7. 회귀 기반 잠재 계수 모델 (KDD 2009)
8. 가우스 프로세스를 사용한 비선형 매트릭스 인수 분해 (ICML 2009)
9. 동적 포지션 인수 분해 (Recommender Systems 2015의 ACM 컨퍼런스)

텐서 분해에 기반 :

1. 다차원 접근 방식을 사용하여 Recommender 시스템에 컨텍스트 정보 통합 (TOM (Information Systems on Information Systems) 2005)
2. 베이지안 확률 텐서 인수 분해 (SIAM 데이터 마이닝 2010)
3. 리만 최적화로 낮은 순위 텐서 완료 (BIT 수치 수학 54.2 (2014))

또한 Matrix Factorization에 관한 Gravity Recommendation System (GRS) 논문을 살펴볼 수도 있습니다 . 저자들은 잘 알려진 Netflix Prize에서이 알고리즘을 사용하여 경쟁했습니다.