【论文阅读】Slim: Sparse linear methods for top-n recommender systems

最新推荐文章于 2024-04-24 09:40:54 发布
最新推荐文章于 2024-04-24 09:40:54 发布
阅读量1.1k 收藏
点赞数
分类专栏： # 推荐系统论文阅读 文章标签： Slim
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/qiqi123i/article/details/101290752
版权

Ning X, Karypis G. Slim: Sparse linear methods for top-n recommender systems[C]//2011 IEEE 11th International Conference on Data Mining. IEEE, 2011: 497-506.
在这里插入图片描述

  • 这一篇论文是2011年发表在ICDM上的一篇工作。论文的提出主要是为了提升推荐的质量以及效率，针对的任务是TopN推荐，作者提出他的这个工作更加适用于实时的应用上，因为它的速度真的很快。
  • 主要是通过一个辅助的稀疏的coefficient matrix来提升推荐质量，这个矩阵也是在训练时学习到的，公式如PPT上所示（应该挺容易看懂的，虽然效果很好，但是我不太知道这样做的原因是什么，可能是还没看懂）
_ dingding_
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
SLIM: Sparse Linear Methods (TopN推荐)
永远飞翔的鸟
07-28 361
SLIM: Sparse Linear Methods (TopN推荐)
SLIM模型
walkeao的博客
12-12 3665
SLIM: Sparse Linear Methods (TopN推荐) 本文摘要： SLIM 模型介绍 SLIM 模型优势和劣势 目录 SLIM Sparse Linear Methods TopN推荐 目录 SLIM 模型 模型表示 模型学习过程 特点 参考 SLIM 模型模型表示   基本模型表示： M∼MS\boldsymbol M \boldsymbol
探秘SLIM推荐系统：智能、高效、可解释的推荐利器
最新发布
gitblog_00097的博客
04-24 373
探秘SLIM推荐系统：智能、高效、可解释的推荐利器 项目地址:https://gitcode.com/SSSxCCC/SLIM-recommendation 在大数据时代，个性化推荐系统已经成为各大互联网公司提升用户体验和业务转化的关键技术之一。今天我们要介绍的是一个名为SLIM（Sparse Linear Methods）的开源推荐系统项目，它以独特的优势提供了一种有效且可解释的解决方案。 项...
推荐系统——Top-N Recommender System via Matrix Completion
manduner的博客
07-18 1423
论文描述： *现有大多数Top-N推荐系统的工作原理是根据历史信息预测消费者对新商品的评分，并向消费者推荐预测值较高的新商品。历史信息包含显示信息，如，评分或评论文本，也包含隐式信息，如，用户的购买历史或浏览历史。 *现有Top-N推荐算法大致可以分为三类：基于领域的协同过滤，基于模型的协同过滤和基于排序的方法。这些方法的一个共同缺点在于推荐性能低。 *最近提出了一种新的Top-N推荐方法S...
paper review : Multimodal data fusion framework based on autoencoders for top-N recommender systems
贵在坚持
09-25 316
Multimodal data fusion framework based on autoencoders for top-N recommender systems Summary In this paper, author design a new framework based on autoencoders to improve video’s recommendation quality. This method effection comfirm by 写完笔记之后最后填，概述文章的内容，以
2016-Collaborative Denoising Auto-Encoders for Top-N Recommender Systems.pdf
06-11
Most real-world recommender services measure their performance based on the top-N results shown to the end users. Thus, advances in top-N recommendation have far-ranging consequences in practical applications. In this paper, we present a novel method, called Collaborative Denoising Auto-Encoder (CDAE), for top-N recommendation that utilizes the idea of Denoising Auto-Encoders. We demonstrate that the proposed model is a generalization of several well-known collaborative filtering models but with more flexible components.
Iterative Methods for Sparse Linear Systems
01-27
Yousef Saad著作Iterative Methods for Sparse Linear Systems 第二版
Direct_Methods_for_Sparse_Linear_Systems
05-13
Direct_Methods_for_Sparse_Linear_Systems
Sparse SPMAE: An Effective Method for Pose-Invariant Face Recognition
03-13
为了解决这些问题，"Sparse Stacked Progressive Multiple Auto-Encoders（Sparse SPMAE）"这一创新方法被提出，它是一种基于渐进式稀疏堆叠自动编码器的姿态不变人脸识别技术。 自动编码器（Auto-Encoders，AE）是...
LOW-DIMENSIONAL STRUCTURES: SPARSE CODING FOR NEURONAL ACTIVITY
02-22
sparse coding method, which can effectively reduce the dimension of the neuronal activity and express neural coding. Multichannel spike trains were recorded in rat prefrontal cortex during a work ...
SLIM推荐模型及分析
nihaomafb的博客
12-20 8874
SLIM推荐模型及分析  SLIM[1]是Sparse Linear Model简称，即稀疏线性模型，该方法是基于物品相似度的推广形式，而且效果很好，如下面公式 minimize ||A−AW||22+β2||W||22+λ||W||1(1) minimize \ ||A-AW||_2^2+\dfrac{β}{2} ||W||_2^2+λ||W||_1(1) subject to Wi,j
轻量级网络 Slimmable Neural Networks
Crayon0626的博客
12-28 3001
Slimmable Neural Networks 论文地址：https://arxiv.org/abs/1812.08928 Github: https://github.com/JiahuiYu/slimmable_networks OpenReviews:https://openreview.net/forum?id=H1gMCsAqY7 Motivation 移动端的应用对算法运行效率有较...
【推荐系统论文精读系列】(五)--Neural Collaborative Filtering
CSDN 精品推荐
11-14 1491
文章目录Neural Collaborative Filtering一、摘要二、介绍三、准备知识3.1 从隐式数据中进行学习3.2 矩阵分解四、神经协同过滤4.1 总体框架4.1.1 学习NCF4.2 广义矩阵分解（GMF）4.3 多层感知机（MLP）4.4 GMF与MLP的融合4.4.1 预训练REFERENCES Neural Collaborative Filtering 一、摘要 近年来，深度神经网络在语音识别、计算机视觉和自然语言处理方面取得了巨大的成功。然而，深度神经网络在推荐系统上的探索相对较
因果推断笔记——DML ：Double Machine Learning案例学习（十六）
热门推荐
素质云笔记
10-19 1万+
1 surrogate indices 代替指标 试图利用一个近期的或容易得到的中间指标来替代远期的或难以得到的终点指标。 抑制心律失常能降低发生心脏骤停的可能性，曾将[抑制心律失常]作为评价[治疗猝死药物]的替代指标。 因为混杂因子而造成了很多的悖论： Yule-Simpson 悖论:吸烟分别对男性和对女性都有害，但是吸烟对人类有益 替代指标悖论:临床试验将心律失常作为猝死的替代指标。但是，一些能有效纠正心律失常的药物，后来发现不但不能减少猝死，反而导致数万人过早死亡 http://www.engin
Double Machine Learning(DML) 原理及其应用
ZSCDumin的博客
06-19 3527
Double Machine Learning(DML) 原理及其应用1. 为什么需要DML？2. DML原理2.1 符号定义2.2 DML训练过程2.3 为什么残差正交化可得到无偏差因果效应?2.4 使用DML估计ATE2.5 使用DML估计CATE2.6 直接预测反事实的Y3. Econml DML应用实战1. 为什么需要DML？ 用来做因果推断 优势 减少函数形式的假设可以对高维数据进行建模...
详解SLIM与GLSLIM推荐模型
weixin_39064571的博客
12-18 6221
GLSLIM是今年（2017年）推荐系统顶会RecSys的 best paper —— Local Item-Item Models for Top-N Recommendation 提出的模型，新鲜出炉 。该模型基于SLIM模型，而目前为止网上还没有解释过SLIM的博文（全网首发哦~），所以写在这里，希望和大家分享，如果有错误的地方，也希望大家批评建议。
因果推断笔记——因果图建模之微软开源的EconML（五）
素质云笔记
08-25 1万+
微软EconML简介：基于机器学习的Heterogeneous Treatment Effects估计 机器学习最大的promise之一是在许多领域实现决策的自动化。 许多数据驱动的决策场景的核心问题是对heterogeneous treatment effects的估计，也即：对于具有特定特征集的样本，干预对输出结果的causal effect是什么？ 简言之，这个Python工具包旨在： 测量某些干预变量T对结果变量Y的causal effect 控制一组特征X和W，来衡量causal effect如
sparse direct methods for linear systems
08-20
稀疏直接方法是解决线性系统问题的一种有效策略。在很多实际应用中，线性系统的矩阵往往是稀疏的，即大部分元素为零。由于非零元素的数量较少，传统的直接方法会浪费大量的计算资源来存储和计算这些零元素，因此需要使用特殊的方法来处理这种类型的线性系统。 稀疏直接方法的思想是利用矩阵的稀疏性质，在求解线性系统时避免进行不必要的计算。该方法的核心思想是通过矩阵的特殊结构和性质来减少运算量。 稀疏直接方法包括以下几个重要步骤：矩阵的预处理、记号重排、因式分解以及前向和后向替代。 首先，矩阵的预处理是为了将原始矩阵转化为具有更好特征的矩阵，以提高求解效率。常用的预处理方法包括Jacobi、Gauss-Seidel以及不完全LU分解等。 记号重排是为了调整矩阵的结构，以便降低计算复杂度。重排的目的是尽量减少矩阵中零元素的存储和计算量。 因式分解将预处理后的矩阵进一步拆分为更小的矩阵，使得求解过程更加高效。常用的因式分解方法包括LU分解、Cholesky分解以及LDLT分解等。 最后，前向和后向替代是通过递推的方式求解线性系统的解。这一步骤是在已得到矩阵的因式分解结果之后进行的，通过迭代计算来逐步求解线性系统。 总而言之，稀疏直接方法通过利用矩阵的稀疏性质，能够有效地求解稀疏线性系统，并在计算效率上具有优势。这种方法在科学计算、工程计算以及大数据分析等领域都有广泛应用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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