论文：Splitting Approaches for Context-Aware Recommendation:An Empirical Study 总结

最新推荐文章于 2018-11-04 08:36:06 发布
最新推荐文章于 2018-11-04 08:36:06 发布
阅读量735 收藏 1
点赞数
文章标签： 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/czzffff/article/details/44177411
版权
论文对比分析了用户分类、项目分类和UI拆分三种上下文推荐系统方法，提出CASA算法并进行实验。实验在多个数据集上表明，CASA在上下文推荐中优于其他协同过滤算法，UI拆分方法表现出色，但无单一最佳分类方法。
摘要由CSDN通过智能技术生成

 

论文标题：Splitting Approaches for Context-Aware Recommendation:An Empirical Study

论文出处（会议或期刊）：SAC’14

论文时间：2014

 

一、 摘要（翻译论文的摘要）

       用户和项目分类对于上下文推荐系统来就是很常用的方法。执行项目分类方法时，一个已评分的项目在不同的上下文生成多份复制品。用户分类方法执行基于相似的方法。UI splitting是一个结合用户与项目分类的方法，分类用户与项目以提高上下文推荐系统的性能。在这篇论文中，我们针对上述三个方法（CASA）在多个数据集进行实验，而且我们还将它们与其它流行的上下文协同过滤算法（CACF）作比较。为评价这些方法，我们提出一个新的评估指标。实验显示，CASA表现比其它流行的CACF算法更好，但是没有哪一个分类方法显示是最好的。然而

最低0.47元/天 解锁文章
电影数据集总结：Netflix、MovieLens、LDOS-CoMoDa、AdomMovie
志向和热爱是伟大行为的双翼
03-10 2万+
电影数据集总结：包括Netflix、MovieLens、LDOS-CoMoDa、AdomMovie
Pixel-GS: Density Control with Pixel-aware Gradient for 3D Gaussian Splatting
最新发布
初见月
10-12 695
Pixel-GS考虑了每个视图中被高斯覆盖的像素数量，以便在计算生长条件时动态地权衡每个视图的梯度
电影评分-数据集
01-22
电影评分数据。 可以用作数据挖掘，进行电影推荐。
电影评分数据集
11-22
包括用户对电影的评分数据集以及用户的信任度。信任关系是直接联系的
电影分类数据
07-19
康奈尔大学网站的2M影评数据集。 配合教程http://blog.csdn.net/lsldd/article/details/41542107
论文：The Role of Emotions in Context-aware Recommendation总结
志向和热爱是伟大行为的双翼
03-10 645
上下文推荐系统尝试利用不同的上下文去适应用户偏好，而且这被证明在很多不同的领域上都能提高推荐的精确性。情绪是最流行的上下文变量，而很少研究人研究情绪是怎样作用在推荐上的——特别是情绪变量的用法除了单单的描述效力。在这篇论文中，我们研究在上下文推荐系统算法中情绪的作用。更具体地，我们评价两个流行的上下文推荐系统算法——上下文感知过滤算法和微分上下文建模。我们考核预测的性能，探索情绪的用法和发现情绪在推荐过程中是怎样影响上下文算法的。
On generalized preconditioned Hermitian and skew-Hermitian splitting methods for non-Hermitian positive definite linear systems
12-30
广义预处理Hermitian和skew-Hermitian分裂迭代法，安静，杨爱利，对于大型稀疏非Hermitian正定线性方程组，本文在HSS迭代法的基础上，提出了一种广义的预处理Hermitian和skew-Hermitian分裂迭代法（GPHSS）。...
react-router4-template：react-v16 react-router-v4 redux webpack
01-31
react16-router4-模板 两个版本 master分支与v1.0.0 tag是webpack 3.x的版本 webpack-v4-template分支与v2.0.0标签是webpack 4.x的版本 Enhance-redux redux状态管理升级版本 重要更新 2018.03.19：删除“ react-...
电影推荐系统的movie数据集
12-14
ml-latest-small.zip的数据集，不是最全的数据集，请同学们选择下载。
基于spark的电影推荐系统的数据集
12-28
推荐系统常用的电影数据集，推荐系统常用的电影数据集。
Netflix Prize 完整数据集
12-03
著名的Netflix 智能推荐 百万美金大奖赛使用是数据集. 因为竞赛关闭, Netflix官网上已无法下载. Netflix provided a training data set of 100,480,507 ratings that 480,189 users gave to 17,770 movies. Each training rating is a quadruplet of the form . The user and movie fields are integer IDs, while grades are from 1 to 5 (integral) stars.[3] The qualifying data set contains over 2,817,131 triplets of the form , with grades known only to the jury. A participating team's algorithm must predict grades on the entire qualifying set, but they are only informed of the score for half of the data, the quiz set of 1,408,342 ratings. The other half is the test set of 1,408,789, and performance on this is used by the jury to determine potential prize winners. Only the judges know which ratings are in the quiz set, and which are in the test set—this arrangement is intended to make it difficult to hill climb on the test set. Submitted predictions are scored against the true grades in terms of root mean squared error (RMSE), and the goal is to reduce this error as much as possible. Note that while the actual grades are integers in the range 1 to 5, submitted predictions need not be. Netflix also identified a probe subset of 1,408,395 ratings within the training data set. The probe, quiz, and test data sets were chosen to have similar statistical properties. In summary, the data used in the Netflix Prize looks as follows: Training set (99,072,112 ratings not including the probe set, 100,480,507 including the probe set) Probe set (1,408,395 ratings) Qualifying set (2,817,131 ratings) consisting of: Test set (1,408,789 ratings), used to determine winners Quiz set (1,408,342 ratings), used to calculate leaderboard scores For each movie, title and year of release are provided in a separate dataset. No information at all is provided about users. In order to protect the privacy of customers, "some of the rating data for some customers in the training and qualifyin
电影数据集EACHMOVIE
03-04
一个完整的数据集，可以用来做推荐系统相关实验，验证推荐算法，不错，官网已不提供下载了。
开放的数据集整理
weixin_30955617的博客
08-27 558
推荐系统常用的： 1)MovieLens MovieLens数据集中，用户对自己看过的电影进行评分，分值为1～5。MovieLens包括两个不同大小的库，适用于不同规模的算法．小规模的库是943个独立用户对1682部电影作的10000次评分的数据；大规模的库是6040个独立用户对3900部电影作的大约100万次评分。 2)EachMovie HP/Compaq的DEC研究中心曾经在网上架设...
当推荐算法开源包多如牛毛，为什么我们还要专门的推荐算法工程师
weixin_30675967的博客
01-08 226
作为一个推荐系统业余爱好者，在机器学习领域的鄙视链中，我感觉一直地位不高，时常被搞NLP CV语音等高科技技术的朋友鄙视。 最近甚至被人问，推荐算法开源包多如牛毛，我们为什么还要专门的推荐算法工程师？（难道想要辞退我！？惊） 不得不说，我想吐槽这个观点很久了。事实上搞推荐的工作不等于 import IBCF 或者 import time SVD++ import tensor啊摔！ 于是找回...
Netflix与推荐系统
简书博客搬家测试账号
08-01 1479
欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tsaiedu，并注明消息来源，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。天善学院2018年度SVIP 998特惠即将结束！https://ww...
Netflix competition 总结学习
weixin_38078991的博客
11-04 632
竞赛规则 竞赛规则是通过给定的数据（48万用户，关于1.8万部电影的一共1亿条评分），来预测给定用户对一部没有看过（你的数据里面没有）的电影的评分会是多少 ...
[论文学习]Convolutional matrix factorization for document context-aware recommendation
somTian的博客
05-23 7468
翻译论文Convolutional matrix factorization for document context-aware recommendation
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值