Simulated Annealing with Levy Distribution for Fast Matrix Factorization-Based Collaborative Filtering
Cairo University（开罗大学）
矩阵分解是协同过滤的最佳方法之一，因为它能准确地呈现用户和项目的潜在因素。矩阵分解的主要缺点是其复杂性，并且很难并行化，特别是对于非常大的矩阵。提出了一种基于矩阵分解的协同过滤算法，该算法将模拟退火算法与Levy分布相结合。通过使用这种方法，良好的解决方案，在可接受的时间内实现低计算，相比其他方法，如随机梯度下降，交替最小二乘法，加权非负矩阵分解。
2017-08-09 cs.IR cs.LG stat.ML
Dual-embedding based Neural Collaborative Filtering for Recommender Systems
Wuhan University（武汉大学）
在众多的推荐技术中，协同过滤（CF）是最成功的一种。CF中的一个关键问题是如何表示用户和项目。以前的作品通常代表一个用户（一个项目）作为一个向量的潜在因素（又名。\textit{embedding}），然后根据表示对用户和项之间的交互进行建模。尽管它的有效性，我们认为，这是不足以产生令人满意的嵌入协同过滤。受SVD++基于用户自身及其交互项表示用户的思想的启发，我们提出了一个通用的协同过滤框架DNCF，简称基于双嵌入的神经协同过滤，以利用历史交互来增强表示。除了学习用户（项目）的原始嵌入之外，我们还从交互项目（用户）的角度引入了额外的嵌入，以增强用户（项目）表示。在四个公开数据集上进行的大量实验证明了我们提出的DNCF框架的有效性，通过将其性能与几个传统的矩阵分解模型和其他最先进的基于深度学习的推荐模型进行比较。
2021-02-05 cs.IR cs.LG
Neural Fair Collaborative Filtering
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；Hong Kong University of Science and Technology（香港科技大学）
越来越多的人类互动在社交媒体平台上被数字化，并受到算法决策的影响，确保这些算法的公平对待变得越来越重要。在这项工作中，我们研究了在社交媒体数据上训练的协作过滤推荐系统中的性别偏见。我们开发了神经公平协同过滤（NFCF），这是一个实用的框架，用于在推荐敏感项目（例如工作，学术浓度或学习课程）时减轻性别偏见，使用神经协同过滤的预训练和微调方法，并辅以偏见校正技术。我们分别在MovieLens数据集和Facebook数据集上展示了我们的方法在性别去偏见职业和大学专业推荐方面的实用性，并实现了比几个最先进的模型更好的性能和更公平的行为。
2020-09-02 cs.IR cs.LG stat.ML
A Refined SVD Algorithm for Collaborative Filtering
ETH Zürich（苏黎世联邦理工学院）
协同过滤试图根据具有相似品味的其他用户的意见来预测用户对某些项目的评级。评级通常以稀疏矩阵的形式给出，目标是找到缺失的条目（即评级）。协同过滤的方法有很多种，其中最流行的是奇异值分解（SVD）和K-means聚类。SVD方法中的一个挑战是找到未知评级的良好初始化。[1]建议了一种可能的初始化。在本文中，我们解释了如何使用K-means方法来实现SVD初始化的进一步改进。我们表明，我们的技术优于单独使用的两种初始化技术。
2020-12-13 cs.IR cs.LG
Towards Large Scale Training Of Autoencoders For Collaborative Filtering
Anghami（安加米）
针对隐式反馈协同过滤问题，提出了一种基于小批量负采样的隐式反馈协同过滤潜因子自编码器模型的有效训练方法.我们将我们的工作与不同实验数据集上的最先进的基线模型进行比较，并表明这种方法可以导致基线模型性能的良好和快速近似。源代码可以在https://github.com/amoussawi/recoder上找到。
2018-10-23 cs.IR cs.LG stat.ML
Collaborative Ensemble Learning: Combining Collaborative and Content-Based Information Filtering via Hierarchical Bayes
Siemens Corporate Technology（西门子企业技术）；Microsoft Research Asia（微软亚洲研究院）
协同过滤（CF）和基于内容的过滤（CBF）在信息过滤应用中得到了广泛的应用。这两种方法都有各自的优点和缺点，这就是为什么研究人员开发了混合系统。本文提出了一种新的方法来统一CF和CBF的概率框架，命名为协同集成学习。它使用概率支持向量机对每个用户的配置文件进行建模在预测阶段，它结合了一个社会的用户配置文件，由他们各自的SVM模型表示，以预测一个活跃的用户偏好（CF思想）。组合方案嵌入在概率框架中并保留直观的解释。此外，协同集成学习不需要一个全局的训练阶段，因此可以逐步纳入新的数据。2我们报告的结果基于两个数据集。对于路透社-21578文本数据集，我们模拟用户评级的假设下，每个用户只感兴趣的一个类别。在第二个实验中，我们使用用户对一组642艺术图像的意见，这些图像是通过基于网络的调查收集的。对于这两个数据集，协作集成在推荐准确性方面取得了优异的性能。
2012-10-19 cs.IR cs.LG stat.ML
Collaborative Filtering with Label Consistent Restricted Boltzmann Machine
IIIT Delhi（德里英德拉普拉斯塔信息技术学院）
采用受限玻尔兹曼机（RBM）进行协同过滤的可能性已经知道了大约十年。然而，自2007年以来，几乎没有关于这一专题的任何工作。这项工作回顾了RBM在推荐系统中的应用。基于RBM的协同过滤只使用评分信息，这是一个无监督的架构。这项工作通过利用用户人口统计信息和项目元数据来增加监督。网络是从表示层到标签（元数据）学习的。建议的标签一致的RBM制定显着改善现有的RBM为基础的方法和产量的结果与国家的最先进的潜在因素为基础的模型。
2019-10-17 cs.IR cs.LG cs.NE
Collaborative Filtering in a Non-Uniform World: Learning with the Weighted Trace Norm
Massachusetts Institute of Technology（麻省理工学院）；Toyota Technological Institute–Chicago（芝加哥丰田技术研究所）
我们发现，当矩阵的条目被非均匀采样时，具有迹范数正则化的矩阵完成可能会受到显着伤害。我们引入了一个加权版本的跟踪范数正则化，也适用于非均匀采样。我们的实验结果表明，加权迹范数正则化确实在（高度非均匀采样的）Netflix数据集上产生了显着的收益。
2010-02-14 cs.LG
A Hybrid Variational Autoencoder for Collaborative Filtering
Columbia University（哥伦比亚大学）
在当今时代，几乎每个行业都有在线存在，用户在在线市场中进行交互，个性化推荐变得非常重要。传统上，协同过滤的问题已经解决了使用矩阵分解，这是线性的性质。我们通过提出一种混合的多模态方法，扩展了[11]关于使用变分自编码器（VAE）进行隐式反馈的协同过滤的工作。我们的方法将电影嵌入（从兄弟VAE网络中学习）与Movielens 20M数据集的用户评级相结合，并将其应用于电影推荐任务。我们实证展示了VAE网络是如何通过将电影嵌入。我们还可视化的电影和用户嵌入聚类从VAE获得的潜在表示。
2018-09-23 cs.IR cs.LG stat.ML
Advances in Collaborative Filtering and Ranking
City University of Hong Kong（香港城市大学）；University of California, Davis（加州大学戴维斯分校）
在这篇论文中，我们涵盖了协同过滤和排名的一些最新进展。在第一章中，我们简要介绍了协同过滤和排序的历史和现状;第二章首先讨论了基于图信息的逐点协同过滤问题，以及我们提出的新方法如何能够编码非常深的图信息，这对现有的四种图协同过滤算法有很大的帮助;第三章介绍了两两协作排序方法，以及如何将算法加速到接近线性的时间复杂度;第4章是关于新的列表方法的合作排名和如何列表方法是一个更好的选择损失的显式和隐式反馈点式和成对损失;第5章是关于我们为嵌入层提出的新的正则化技术随机共享嵌入（SSE），以及它如何在推荐和自然语言处理的6个不同任务中在理论上合理和经验上有效;第6章是我们如何在SSE的帮助下为最先进的顺序推荐模型引入个性化，这在防止我们的个性化模型过拟合到训练数据中起着重要的作用;第七章，我们总结了到目前为止所取得的成就，并预测了未来的发展方向;第八章是所有章节的附录。
2020-02-27 cs.IR cs.LG stat.ML
Completing partial recipes using item-based collaborative filtering to recommend ingredients
University of Edinburgh（爱丁堡大学）
公众对健康生活方式的兴趣增加，促使人们研究鼓励人们遵循健康饮食的算法。在只有隐式反馈的领域中，应用协同过滤来构建推荐系统也是一个快速发展的研究领域。在这份报告中，我们结合这两个趋势，开发了一个推荐系统，建议可以添加到部分食谱的成分。我们实现了基于项目的协同过滤算法，使用高维，稀疏数据集的食谱，它本质上只包含隐式反馈。我们探索了不同的相似性度量和降维对推荐质量的影响，发现我们最好的方法实现了大约40%的召回率。
2020-02-04 cs.IR cs.LG stat.ML
Survey of Privacy-Preserving Collaborative Filtering
Missouri University of Science and Technology（密苏里科技大学）；University of Missouri-Columbia（密苏里大学哥伦比亚分校）；Applied Computational Intelligence Laboratory, Missouri University of Science and Technology（密苏里科技大学应用计算智能实验室）
协同过滤推荐系统基于用户自己的过去偏好以及共享相似兴趣的其他用户的偏好向用户提供推荐。近年来，推荐系统的使用越来越广泛，帮助人们选择要看的电影、要读的书和要买的东西。然而，用户在使用这类系统时往往会担心自己的隐私，许多用户不愿意向大多数在线服务提供准确的信息。隐私保护协同过滤推荐系统的目标是为用户提供准确的推荐，同时保持一定的保证他们的数据的隐私。这项调查研究了最近的文献在隐私保护的协同过滤，提供了一个广阔的视野，并使用两个不同的标准对文献中的关键贡献进行分类：他们解决的脆弱性类型和他们用来解决它的方法类型。
2020-03-18 cs.CR cs.IR cs.LG
Geometric Collaborative Filtering with Convergence
Amazon（亚马逊）
本文提出几何上界并利用物品元数据几何结构构造损失，形成具有理论保证的 GeoCF 潜变量协同过滤算法，在多个公开和内部大规模数据集上优于现有方法。
2024-10-27 cs.IR cs.LG cs.SY
One-class Collaborative Filtering with Random Graphs: Annotated Version
Microsoft Research（微软研究院）；Microsoft（微软）
单类协同过滤的祸根在于对缺失类的潜在信号进行解释和建模。本文提出了一种新的贝叶斯生成模型的隐式协同过滤。它构成了Xbox Live架构的核心组件，与以前的方法不同，它描绘了用户不喜欢某个项目的可能性，而不是简单地不考虑它。潜在信号被视为一个未观察到的随机图，将用户与他们可能遇到的项目联系起来。我们演示了如何通过随机梯度下降和平均场变分推断的组合，可以实现大规模的分布式学习随机图样本。细粒度的比较是针对现实世界数据的最新基线进行的。
2014-09-24 cs.LG stat.ML
Stability of matrix factorization for collaborative filtering
National University of Singapore（新加坡国立大学）
研究矩阵分解算法在矩阵补全中对抗性噪声的稳定性，通过误差界、子空间分析和个体预测误差分析，为协同过滤系统设计提供指导。
2012-06-18 cs.LG cs.NA math.NA
Neural Network-Based Collaborative Filtering for Question Sequencing
电子学习系统（ELS）和智能教学系统（ITS）在当今的教育计划中发挥着重要作用。排序问题是为目标学习者生成个性化测验的艺术。个性化的测试将丰富学习者的经验，并将有助于更有效和更高效的学习过程。在本文中，我们使用神经协同过滤（NCF）模型来生成问题排序，并将其与基于成对记忆的问题排序算法EduRank进行比较。NCF模型显示出比EduRank模型更好的排名结果，平均精度相关性得分为0.85，而EduRank模型为0.8。
2020-04-25 cs.AI cs.IR cs.LG
Dynamic Collaborative Filtering with Compound Poisson Factorization
Princeton University（普林斯顿大学）
基于模型的协同过滤分析用户-项目交互，以推断代表用户偏好和项目特征的潜在因素，从而预测未来的交互。大多数协同过滤算法假设这些潜在因素是静态的，尽管已经表明用户偏好和项目感知会随着时间的推移而漂移。在本文中，我们提出了一个共轭和数值稳定的动态矩阵分解（DCPF）的基础上复合泊松矩阵分解模型的平滑漂移的潜在因素，使用伽马马尔可夫链。我们提出了一个数值稳定的伽玛链结构，然后提出了一个随机变分推理方法来估计我们的模型的参数。我们将我们的模型应用于时间戳评级数据集：Netflix，Yelp和Last.fm，其中DCPF实现了比最先进的静态和动态因子分解模型更高的预测准确性。
2016-11-01 cs.AI cs.LG stat.ML
Improved Collaborative Filtering Algorithm via Information Transformation
University of Science and Technology of China（中国科学技术大学）；University of Fribourg（弗里堡大学）；Dalian Nationalities University（大连民族大学）
在本文中，我们提出了一种激活扩散方法的协同过滤（SA-CF）。通过使用意见传播过程，可以获得任何用户之间的相似性。该算法具有显着更高的准确性比标准的协同过滤（CF）使用皮尔逊相关。此外，我们引入了一个自由参数$β$来调节对象对用户-用户相关性的贡献。数值结果表明，减少流行对象的影响，可以进一步提高算法的准确性和个性化。我们认为，一个更好的算法应该同时需要更少的计算和产生更高的精度。相应地，我们进一步提出了一种算法，该算法只涉及每个目标用户的前$N$相似邻居，具有更低的计算复杂性和更高的算法精度。
2009-10-14 cs.CY cs.LG
Collaborative Filtering with User-Item Co-Autoregressive Models
Tsinghua University（清华大学）；Tencent AI Lab（腾讯AI实验室）
深度神经网络在协同过滤（CF）中显示出了希望。然而，现有的神经方法要么是基于用户的，要么是基于项目的，这不能显式地利用所有的底层信息。我们提出了CF-UIcA，CF任务的神经协自回归模型，它利用了用户和项目领域的结构相关性。协自回归允许为不同的任务合并额外的期望属性。此外，我们开发了一个有效的随机学习算法来处理大规模数据集。我们在MovieLens 1 M和Netflix两个流行的基准上评估了CF-UIcA，并在评级预测和top-N推荐任务中实现了最先进的性能，这证明了CF-UIcA的有效性。
2018-07-05 cs.LG
Rethinking Neural vs. Matrix-Factorization Collaborative Filtering: the Theoretical Perspectives
Walmart Labs（沃尔玛实验室）；Instacart
Rendle等人（2020）的最新工作基于经验观察，认为矩阵分解协同过滤（MCF）优于神经协同过滤（NCF），并证明了点积作为相似性函数优于前馈神经网络。在本文中，我们通过回答以下问题严格地解决比较：1。每个模型的极限表达能力是什么; 2.在实际的梯度下降下，每条优化路径收敛到哪个解; 3.模型在归纳和转换学习环境下如何推广。我们的研究结果突出了类似的表达过度参数化的NCF和MCF作为内核化的预测，并揭示了它们的优化路径之间的关系。我们进一步展示了它们不同的泛化行为，其中MCF和NCF在转导和归纳协同过滤设置中经历了特定的权衡和比较。最后，通过展示一个新的推广结果，我们揭示了在归纳环境中校正暴露偏差对模型评估的关键作用。我们的研究结果解释了一些以前观察到的冲突，我们提供了合成和真实数据的实验，以进一步了解这一主题。
2021-10-23 cs.IR cs.LG
Maximum Entropy for Collaborative Filtering
Microsoft Research（微软研究院）
在协同过滤的任务中，存在两个计算条件概率的挑战。首先，可用的训练数据的量相对于域的大小通常是稀疏的。因此，通常不存在对高阶相互作用的支持。其次，我们所依赖的变量对于每个查询都是不同的。也就是说，用户在每次查询期间标记不同的变量。因此，没有一致的输入到输出映射。为了解决这些问题，我们的目的是最大熵的方法，使用非标准的熵测量。这种方法可以简化为求解一组可以有效求解的线性方程组。
2012-07-11 cs.IR cs.LG
Efficient Multicore Collaborative Filtering
Carnegie Mellon University（卡内基梅隆大学）
本文介绍了乐步思数团队在ACM KDD CUP 2011竞赛中对第一道题（第五名）所采取的解题方法。我们发现了两个主要的挑战：独特的项目分类特征以及大的数据集大小。为了处理项目分类，我们提出了一种新的方法，称为矩阵分解项目分类规则化（MFITR）。MFITR在十多个实现的算法中获得了第二好的预测结果。为了快速计算各种算法的多个解决方案，我们在GraphLab机器学习框架之上实现了一个开源并行协同过滤库。我们报告使用黑光超级计算机获得的一些初步性能结果。
2011-08-17 cs.DC cs.LG
ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction
Peking University（北京大学）；Yale University（耶鲁大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；University of Science and Technology of China（中国科学技术大学）
ADRNet提出一个结合临床与非临床数据的广义协同过滤框架，通过浅层协同过滤与深层药物表示模块融合高维药物描述符和低维ADR嵌入，提升药物不良反应预测的准确性与效率。
2023-08-03 cs.IR cs.LG
Implicit Feedback Deep Collaborative Filtering Product Recommendation System
University of Toronto（多伦多大学）
在本文中，几个协同过滤（CF）的方法与潜变量的方法进行了研究，使用用户项目的相互作用，以捕捉重要的隐藏变化的稀疏客户购买行为。潜在因素被用来概括客户的购买模式，并提供产品建议。具有神经协同过滤（NCF）的CF在一家大型零件供应公司提供的真实专有数据集上显示出最高的归一化贴现累积增益（NDCG）性能。使用贝叶斯优化（BO）测试不同的超参数在CF框架中的适用性。外部数据源，如点击数据和指标，如点击率（CTR）进行了审查，以潜在的扩展工作。本文中所展示的工作提供了公司可以用来提供产品推荐的技术，以增加收入，吸引新客户，并获得超过竞争对手的优势。
2020-12-11 cs.IR cs.LG stat.ML
Exploiting sparsity to build efficient kernel based collaborative filtering for top-N item recommendation
University of Padova（帕多瓦大学）
越来越多的隐式反馈数据集的可用性提高了开发有效的协同过滤技术，能够处理不对称的明确的正反馈和模糊的负反馈的兴趣。在本文中，我们提出了一个原则性的基于核的协同过滤方法的前N项的建议与隐式反馈。我们提出了一个有效的实现使用的线性内核，我们展示了如何将其推广到内核的点积家庭保持效率。我们还研究了影响标准余弦核稀疏性的元素。该分析表明，核的稀疏性强烈地依赖于数据集的属性，特别是依赖于长尾分布。我们比较我们的方法与国家的最先进的算法取得了良好的效果，无论是在效率和有效性。
2016-12-17 cs.AI cs.IR cs.LG
ImplicitSLIM and How it Improves Embedding-based Collaborative Filtering
St. Petersburg Department of the Steklov Mathematical Institute（斯捷克洛夫数学研究所圣彼得堡分所）
本文提出 ImplicitSLIM，一种通过低成本、低内存方式从类 SLIM 模型提取嵌入以改进基于嵌入的协同过滤模型的无监督学习方法，无需显式训练繁重模型，能提升性能并加速收敛。
2024-05-31 cs.IR cs.LG
Deep Variational Models for Collaborative Filtering-based Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）
深度学习提供了精确的协同过滤模型来改善推荐系统的结果。深度矩阵分解及其相关的协作神经网络是该领域的最新技术;然而，这两种模型都缺乏必要的随机性来创建变分自编码器所展示的鲁棒、连续和结构化的潜在空间。另一方面，由于推荐系统的高稀疏性，通过变分自编码器的数据增强在协同过滤领域中不提供准确的结果。我们提出的模型应用变分的概念，注入随机性的深层架构的潜在空间，引入变分技术在神经协同过滤领域。该方法不依赖于用于生成潜在表示的特定模型。通过这种方式，这种方法可以作为插件应用于任何当前和未来的特定模型。所提出的模型已经使用四个代表性的开放数据集，三种不同的质量指标和最先进的基线进行了测试。结果表明，所提出的方法的优越性的情况下，变分富集超过注入噪声的影响。此外，提供了一个框架，使进行的实验的再现性。
2021-07-27 cs.IR cs.LG cs.NE
Collaborative Filtering Bandits
University of Insubria（因苏布里亚大学）；Telefónica Research（西班牙电信研究中心）
经典的协同过滤和基于内容的过滤方法试图在给定训练数据的情况下学习静态推荐模型。这些方法在高度动态的推荐领域（如新闻推荐和计算广告）中远非理想，这些领域的项目和用户集非常不稳定。在这项工作中，我们研究了一种自适应聚类技术的内容推荐的基础上探索开发策略的上下文多臂强盗设置。我们的算法考虑到由于用户与项目的交互而产生的协作效应，通过基于正在考虑的项目动态地对用户进行分组，并且同时基于在用户上引起的聚类的相似性对项目进行分组。由此产生的算法，从而利用数据中的偏好模式的方式类似于协同过滤方法。我们对中等规模的真实世界数据集进行了实证分析，显示了可扩展性和提高的预测性能（以点击率为衡量标准），超过了最先进的集群方法。我们还提供了一个标准的线性随机噪声设置内的遗憾分析。
2016-05-31 cs.AI cs.LG stat.ML
Defending Collaborative Filtering Recommenders via Adversarial Robustness Based Edge Reweighting
Yongyu Wang（王 Yongyu）
本文提出了一种基于对抗鲁棒性的边重加权方法，用于防御协同过滤推荐系统中的资料注入攻击。
2025-12-12 cs.LG stat.ML
Markov Random Fields for Collaborative Filtering
Netflix（网飞）
在本文中，我们通过高斯马尔可夫随机场（MRF）的项目之间的依赖关系，推荐给用户的协作过滤问题。我们建立在Besag的自正态参数化和伪似然的基础上，这不仅可以实现计算效率的学习，而且还将MRF和稀疏逆协方差估计与自动编码器和邻域模型（协作过滤中的两种成功方法）连接起来。我们提出了一种新的近似学习稀疏的MRF，其中的权衡精度和训练时间可以控制。与各种基线（包括深度非线性模型）相比，仅用一小部分训练时间，所提出的方法就在我们实验中使用的所有三个众所周知的数据集上实现了具有竞争力的排名准确性，特别是在具有最多项目的数据集上的准确性提高了20%。
2019-10-21 cs.IR cs.LG stat.ML
Neural Collaborative Filtering Bandits via Meta Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
上下文多臂强盗为解决决策中的开发-探索困境提供了强有力的工具，并直接应用于个性化推荐。事实上，用户之间的协作效应具有改善推荐的巨大潜力。在本文中，我们介绍和研究的问题，通过探索“神经协同过滤Bandits”，其中的奖励可以是非线性函数和组的动态形成不同的具体内容。为了解决这个问题，受元学习的启发，我们提出了元禁令（元强盗），其中元学习者被设计为代表并快速适应动态群体，以及基于UCB的探索策略。此外，我们分析了Meta-Ban可以实现的遗憾界的$\mathcal{O}(\sqrt{T \log T})$，提高了一个乘法因子$\sqrt{\log T}$的最先进的相关工作。最后，我们进行了大量的实验，表明Meta-Ban显著优于六个强基线。
2022-02-23 cs.LG
Collaborative filtering via sparse Markov random fields
Center for Pattern Recognition and Data Analytics（模式识别与数据分析中心）；Deakin University（迪肯大学）
推荐系统在提供个性化的信息和服务方面发挥着核心作用。本文重点介绍了协同过滤，一种方法，利用共享结构之间的头脑喜欢的用户和类似的项目。特别是，我们专注于一个正式的概率框架称为马尔可夫随机场（MRF）。我们解决了结构学习的开放问题，并引入了稀疏诱导算法来自动估计用户之间和项目之间的交互结构。项目-项目和用户-用户相关网络作为副产品获得。在电影推荐和日期匹配数据集上的大规模实验证明了该方法的有效性。
2016-02-09 cs.IR cs.LG stat.ML
Empirical Comparison of Graph Embeddings for Trust-Based Collaborative Filtering
Graz University of Technology（格拉茨技术大学）；Know-Center GmbH（知识中心有限公司）
在这项工作中，我们研究的效用图嵌入生成潜在的用户表示基于信任的协同过滤。在冷启动设置中，在三个公开可用的数据集上，我们评估了来自四个方法家族的方法：（i）基于因子分解，（ii）基于随机游走，（iii）基于深度学习，以及（iv）大规模信息网络嵌入（LINE）方法。我们发现，在这四个家庭中，基于随机游走的方法始终达到最佳的准确性。此外，它们还产生了非常新颖和多样化的推荐。此外，我们的研究结果表明，使用图嵌入在基于信任的协同过滤显着提高用户覆盖率。
2021-02-01 cs.IR cs.LG cs.NE
TimeKit: A Time-series Forecasting-based Upgrade Kit for Collaborative Filtering
Yonsei University（延世大学）；Kakao Corporation（Kakao公司）
推荐系统是数据采掘和机器学习领域的一个长期研究课题。当新的用户-项交互日志到达时，它们本质上是增量的。在实际应用中，我们需要定期训练协同过滤算法来提取用户/项目嵌入向量，因此，可以自然地定义嵌入向量的时间序列。我们提出了一个基于时间序列预测的升级工具包（TimeKit），它的工作方式如下：i）首先确定一个基本的协同过滤算法，ii）使用基本算法从用户-项目交互日志中增量地提取用户/项目嵌入向量，例如，每个月，iii）用提取的嵌入向量的时间序列训练我们的时间序列预测模型，然后iv）预测未来的嵌入向量并由于最近在处理复杂的时间序列数据方面的突破而用它们的点积分数进行推荐，即，神经控制微分方程（NCDE）我们的实验与四个真实世界的基准数据集表明，所提出的时间序列预测为基础的升级工具包可以显着提高现有流行的协同过滤算法。
2022-11-08 cs.AI cs.IR cs.LG
Collaborative Filtering under Model Uncertainty
University of Tübingen（蒂宾根大学）
在他们的工作中，Dean，Rich和Recht创建了一个模型来研究推荐系统中项目的资源和可用性。我们使用Marx，Pin Calmon和Ustun对预测多重性的定义来检查该模型的不同变体，使用两个模型参数的不同值。他们的模型的成对比较表明，这些模型中的大多数产生非常相似的结果的差异和模糊性的可用性，只有在某些情况下的可用性集显着不同。
2020-08-25 cs.LG stat.ML
Reducing offline evaluation bias of collaborative filtering algorithms
Viadeo；Université Paris 1 Panthéon - Sorbonne（巴黎第一大学先贤祠-索邦大学）
推荐系统已经被集成到大多数大型在线系统中，以根据用户简档过滤和排名信息。因此，它会影响用户与系统交互的方式，并因此影响使用历史数据计算的推荐算法的性能评估（通过离线评估）。本文提出了一种新的应用加权离线评估，以减少这种偏见的协同过滤算法。
2015-06-12 cs.IR cs.LG stat.ML
Dependency Networks for Collaborative Filtering and Data Visualization
Microsoft Research（微软研究院）
我们描述了一个概率关系的图形模型-贝叶斯网络的一种替代方案-称为依赖网络。与贝叶斯网络不同，依赖网络的图可能是循环的。与贝叶斯网络一样，依赖网络的概率分量是一组条件分布，每个节点都有一个条件分布。我们确定了这种表示的几个基本属性，并描述了一个计算效率高的程序，从数据中学习的图形和概率分量。我们描述了这种表示的应用概率推理，协同过滤（预测偏好的任务），和因果预测关系的可视化。
2013-01-16 cs.AI cs.IR cs.LG
A Bayesian Approach toward Active Learning for Collaborative Filtering
Michigan State University（密歇根州立大学）；Carnegie Mellon University（卡内基梅隆大学）
协同过滤是利用一组用户的偏好模式来预测项目对活跃用户的效用的有用技术。一般来说，协同过滤的性能取决于活跃用户给出的评级示例的数量。活跃用户给出的评级示例的数量越多，预测的评级就越准确。主动学习提供了一种有效的方法来从活跃用户那里获得最具信息性的评级示例。协同过滤的主动学习以前的工作只考虑了预期的损失函数的基础上估计的模型，这可能是误导时，估计的模型是不准确的。本文进一步考虑了估计模型的后验分布，从而得到更鲁棒的主动学习算法。对电影评分数据集的实证研究表明，当活跃用户的评分数量被限制为很小时，仅基于估计模型的主动学习方法表现不佳，而使用模型分布的主动学习方法获得了更好的性能。
2012-07-11 cs.IR cs.LG stat.ML
A Survey on Deep Neural Networks in Collaborative Filtering Recommendation Systems
Center for Artificial Intelligence and Technology（人工智能与技术中心）；Faculty of Information Science and Technology（信息科学与技术学院）；The National University of Malaysia（马来西亚国立大学）
本文综述DNN在协同过滤推荐中的应用，梳理基础原理、模型类别、评估协议、辅助信息及未来挑战。
2024-12-02 cs.AI cs.LG
An Explainable Autoencoder For Collaborative Filtering Recommendation
University of Louisville（路易斯维尔大学）
自编码器是深度学习架构的常见构建块，它们主要用于表示学习。它们也被成功地用于协同过滤（CF）推荐系统，以预测缺失的评级。不幸的是，像所有黑盒机器学习模型一样，它们无法解释它们的输出。因此，虽然基于Autoencoder的推荐系统的预测可能是准确的，但用户可能不清楚为什么会生成推荐。在这项工作中，我们设计了一个可解释的推荐系统，使用Autoencoder模型，其预测可以解释使用基于邻域的解释风格。我们的初步工作可以被认为是迈向基于自动编码器的可解释深度学习架构的第一步。
2019-12-23 cs.AI cs.IR cs.LG
Collaborative Filtering with Side Information: a Gaussian Process Perspective
University of Oxford（牛津大学）
我们通过高斯过程（GP）回归来解决带边信息的协同过滤（CF）问题。驱动的想法，使用内核来显式地模拟用户项目的相似性，我们制定的GP的方式，允许纳入低秩矩阵分解，到达我们的模型，塔克高斯过程（TGP）。因此，TGP概括了经典的贝叶斯矩阵分解模型，并超越了它们，给出了一种自然而优雅的方法，用于合并边信息，增强了CF问题的预测性能。此外，我们表明，这是一种新的回归模型，特别适合于网格结构的数据和问题的协变量的依赖是接近可分离的。
2017-06-08 cs.IR cs.LG stat.ML
Graph DNA: Deep Neighborhood Aware Graph Encoding for Collaborative Filtering
University of California, Davis（加州大学戴维斯分校）；Amazon（亚马逊）
在本文中，我们考虑推荐系统的边信息的形式图。现有的协同过滤算法主要利用直接的邻域信息，并有很难利用超过1-2跳的更深的邻域。利用更深层次的图形信息的主要警告是，当合并来自这些邻域的信息时，时间和空间复杂度快速增长。在本文中，我们提出了使用图DNA，一种新的深度邻域感知图编码算法，用于开发更深层次的邻域信息。DNA编码使用布隆过滤器（一种空间高效的概率数据结构）在线性时间内计算近似的深度邻域信息，并导致图中节点数量为对数的每节点编码。它可以与基于特征和基于图正则化的协同过滤算法结合使用。与直接使用高阶图信息相比，图DNA具有内存和时间效率高的优点，并提供额外的正则化。我们在真实世界的数据集上进行了实验，表明图DNA可以很容易地与4种流行的协同过滤算法一起使用，并始终导致性能提升，而计算和内存开销很少。
2019-05-29 cs.AI cs.LG stat.ML
Variational Autoencoders for Collaborative Filtering
Netflix（网飞）；MIT（麻省理工学院）；Google AI（谷歌人工智能）
我们扩展变分自编码器（VAE）的协同过滤隐式反馈。这种非线性的概率模型使我们能够超越线性因子模型的有限建模能力，仍然在很大程度上主导协同过滤的研究。我们引入了一个生成模型与多项式似然和使用贝叶斯推断的参数估计。尽管在语言建模和经济学中广泛使用，但在推荐系统文献中，多项式似然得到的关注较少。我们为学习目标引入了一个不同的正则化参数，这被证明是实现有竞争力的性能的关键。值得注意的是，有一种有效的方法来调整参数使用退火。由此产生的模型和学习算法具有信息理论的联系，最大熵歧视和信息瓶颈原则。从经验上讲，我们表明，所提出的方法显着优于几个国家的最先进的基线，包括两个最近提出的神经网络的方法，在几个现实世界的数据集。我们还提供了扩展的实验比较多项式似然与其他常用的似然函数的潜在因素协同过滤文献，并显示出良好的结果。最后，我们确定的优点和缺点，采用原则性的贝叶斯推断方法和特征设置，它提供了最显着的改进。
2018-02-16 cs.IR cs.LG stat.ML
NeuSE: A Neural Snapshot Ensemble Method for Collaborative Filtering
Fudan University（复旦大学）；University of Electronic Science and Technology of China（电子科技大学）；Shanghai Jiao Tong University（上海交通大学）；IBM Research - China（IBM中国研究院）
在协同过滤（CF）算法中，最优模型通常通过全局最小化所有观测数据的经验风险来学习。然而，全局模型通常经由用户/项目之间的性能折衷来获得，即，由于CF算法中的硬非凸优化问题，并非所有用户/项目都完全适合全局模型。包围学习可以通过学习多个不同的模型来解决这个问题，但通常在大型数据集或复杂算法上存在效率问题。在本文中，我们保持在全局模型学习过程中获得的中间模型作为快照模型，然后使用基于记忆网络的方法自适应地组合单个用户-项目对的快照模型。在三个真实数据集上的实验表明，该方法在应用于多种现有的协同过滤方法时，可以广泛而显著地提高准确率（相对提高15.9%）.
2021-04-15 cs.IR cs.LG
Hotel Recommendation System Based on User Profiles and Collaborative Filtering
EtsTur İstanbul（EtsTur 伊斯坦布尔）；Bilgisayar ve Bilişim Fakültesi İstanbul Teknik Üniversitesi（伊斯坦布尔理工大学计算机与信息学院）；Bilgisayar Mühendisliği Bölümü Koç Üniversitesi（科奇大学计算机工程系）
如今，人们开始使用在线预订系统来计划他们的假期，因为他们有大量的选择。从这个大规模的选择中选择何时何地变得越来越困难。此外，有时消费者可能会错过更好的选择，因为在线预订系统上有丰富的信息。从这个意义上说，个性化服务，如推荐系统在决策中发挥着至关重要的作用。两种传统的推荐技术是基于内容的和协同过滤。虽然这两种方法都有各自的优点，但它们也有一定的缺点，其中一些可以通过结合这两种技术来解决，以提高推荐的质量。由此产生的系统被称为混合推荐系统。本文提出了一种新的混合式酒店推荐系统，该系统结合了基于内容和协同过滤的方法，为客户推荐他们需要的酒店，并节省他们的时间损失。
2020-09-21 cs.IR cs.LG
Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach
South China Agricultural University（华南农业大学）；Sun Yat-sen University（中山大学）；South China University of Technology（华南理工大学）
本文提出广度协同过滤（BroadCF），用广度学习系统替代深度神经网络学习用户与物品间的非线性关系，并通过用户-物品评分协同向量预处理生成低维输入，在七个基准数据集上验证了其高效且准确的推荐性能。
2024-02-24 cs.IR cs.LG
Neural Graph Collaborative Filtering
National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）；Hefei University of Technology（合肥工业大学）
学习向量表示（Learning Vector Representations）嵌入）是现代推荐系统的核心。从早期的矩阵分解到最近出现的基于深度学习的方法，现有的努力通常通过从描述用户（或项目）的预先存在的特征（例如ID和属性）进行映射来获得用户（或项目）的嵌入。我们认为，这种方法的一个固有的缺点是，合作的信号，这是潜在的用户项目的互动，是不是在嵌入过程中编码。因此，所得到的嵌入可能不足以捕获协同过滤效果。在这项工作中，我们建议将用户-项目交互-更具体地说，二分图结构-嵌入过程。提出了一种新的推荐框架神经图协同过滤（Neural Graph Collaborative Filtering，NGCF），该框架利用用户-项目图的结构，通过在其上传播嵌入，实现了用户-项目图的高阶连通性的表达建模，有效地将协同信号以显式的方式注入到嵌入过程中。我们在三个公共基准上进行了广泛的实验，证明了几个最先进的模型，如HOP-Rec和协作内存网络的显着改进。进一步的分析验证了嵌入传播对于学习更好的用户和项目表示的重要性，证明了NGCF的合理性和有效性。代码可在https://github.com/xiangwang1223/neural_graph_collaborative_filtering上获得。
2020-07-03 cs.IR cs.LG cs.SI
UIPC-MF: User-Item Prototype Connection Matrix Factorization for Explainable Collaborative Filtering
National Tsing Hua University（台湾清华大学）；Chang Gung University（长庚大学）
本文提出 UIPC-MF，一种基于用户-物品原型连接权重的矩阵分解方法，在保持高推荐准确率的同时提升可解释性，并在三个数据集上优于现有原型基线方法。
2023-08-14 cs.IR cs.LG
Ordinal Boltzmann Machines for Collaborative Filtering
Curtin University of Technology（科廷理工大学）
协同过滤是一种有效的推荐技术，其中个人的偏好可以潜在地基于其他成员的偏好来预测。早期的算法通常依赖于偏好数据中的强局部性，也就是说，基于具有相似品味的其他用户或具有相似属性的其他项目的一小部分来预测用户对特定项目的偏好就足够了。最近，降维技术已被证明是同样具有竞争力的，这些都是基于同现模式，而不是局部性。本文探讨和扩展了一个概率模型称为玻尔兹曼机的协同过滤任务。它无缝地集成了相似性和同现在一个原则的方式。特别是，我们研究参数化选项来处理的顺序性质的偏好，并提出了一个联合建模的用户为基础的和基于项目的过程。在中等规模和大规模的电影推荐上的实验表明，我们的框架可以与现有的知名方法相媲美。
2012-05-09 cs.IR cs.LG
Predicting computational reproducibility of data analysis pipelines in large population studies using collaborative filtering
Concordia University（康考迪亚大学）
评估数据分析管道的计算再现性已成为一个关键问题。然而，由于其计算和存储要求，对于涉及来自大量受试者的数据的分析来说，这是一个繁琐的过程。我们提出了一种方法来预测大人口研究中数据分析管道的计算再现性。我们制定的问题作为一个协同过滤过程中，约束的训练集的建设。我们提出了6种不同的策略来构建训练集，我们在2个数据集上进行了评估，一个是对具有越来越多的主题类型的人群进行建模的合成数据集，另一个是通过神经信息学管道获得的真实数据集。结果表明，一种抽样方法，“随机文件编号（均匀）”是能够预测计算再现性具有良好的精度。我们还分析了包括文件和主题偏见的协同过滤模型的相关性。我们的结论是，所提出的方法是能够大大加快再现性评价，减少准确性损失。
2018-09-26 cs.LG stat.ME stat.ML
Active Collaborative Filtering
University of Toronto（多伦多大学）
协同过滤（CF）允许汇集多个用户的偏好，以针对未见过的产品进行推荐。我们认为在本文中的问题，在线和互动CF：鉴于当前的收视率与用户，什么样的查询（新的收视率）将最能提高质量的建议？我们将此术语转换为信息的期望值（EVOI）;但是计算最优查询的在线计算成本是令人望而却步的。我们展示了如何离线原型设计和计算的界限EVOI可以用来显着减少所需的在线计算。我们开发的框架是一般的，但我们专注于推导和实证研究的多原因矢量量化模型的特定情况下。
2012-10-19 cs.IR cs.LG stat.ML
Blurring-Sharpening Process Models for Collaborative Filtering
Yonsei University（延世大学）
受图滤波和基于分数的生成模型启发，提出模糊-锐化过程模型（BSPM）用于协同过滤，在理论上统摄现有模型，并在三个基准数据集上的Recall和NDCG指标上优于现有方法且处理时间与快速基线相当。
2023-04-06 cs.IR cs.LG
Collaborative Filtering via Group-Structured Dictionary Learning
Eötvös Loránd University（厄特沃什·罗兰大学）；Carnegie Mellon University（卡内基梅隆大学）
结构化稀疏编码及其相关的结构化字典学习问题是机器学习领域的一个新的研究方向。在本文中，我们提出了一个新的应用结构化字典学习的协同过滤推荐系统。我们广泛的数值实验表明，所提出的技术优于其国家的最先进的竞争对手，并有几个优点的方法，不把结构化的约束字典元素。
2012-01-01 cs.LG math.OC math.ST
Learning Distributed Representations from Reviews for Collaborative Filtering
Université de Montréal（蒙特利尔大学）
最近的工作表明，协同过滤器为基础的推荐系统可以通过纳入边信息，如自然语言评论，作为一种正则化的方式派生的产品表示。这种方法的成功的动机，我们介绍了两种不同的模型的评论，并研究其对协同过滤性能的影响。虽然以前的最先进的方法是基于潜在的狄利克雷分配（LDA）模型的评论，我们探索的模型是基于神经网络：一袋的话产品的专家模型和一个循环神经网络。我们证明了专家产品模型提供的更高灵活性使其能够在Amazon评论数据集上实现最先进的性能，优于基于LDA的方法。然而，有趣的是，递归神经网络提供的更大的建模能力似乎破坏了模型作为产品表示的正则化器的能力。
2018-06-18 cs.LG stat.ML
