个性化推荐
文章平均质量分 72
CalumChambers
这个作者很懒,什么都没留下…
展开
-
基于用户最近邻模型的协同过滤算法的Python代码实现
最近在研究一个xi原创 2014-09-12 11:16:47 · 4379 阅读 · 4 评论 -
基于在线评论的推荐系统研究综述
摘要引言互惠推荐和传统推荐朋友到朋友推荐的之前的研究社交网络指导者和被指导者的匹配在线约会在线约会的一项案例研究结论和未来研究摘要 最近几年,推荐系统的研究者提出了很多基于在线评论的推荐系统,旨在将用户文本评论中有价值的信息融入到用户建模和推荐过程中。先进的文本分析和观点挖掘技术使得我们可以抽取不同类型的评论中的元素,如评论讨论的主题,观点的多维特征,原创 2016-06-08 00:36:48 · 2106 阅读 · 0 评论 -
EMI Music Data Science Hackathon冠军团队的技术报告
摘要引言预处理方法wordscsv用户生成测试数据集模型分解模型模型学习方法线性回归集成后处理摘要这篇报告描述了2012EMI音乐数据科学Hackathon中排名第一的盛大创新院的音乐推荐算法思路。他们使用了分解机器(大致看了下好像就是矩阵分解模型)和线性回归来融合大量特征。他们使用了用户的年龄,性别,工作状态,地区等其他用户资料来对用户兴趣进行建模。他们还融合了用户对EMI翻译 2016-06-08 14:03:51 · 758 阅读 · 0 评论 -
融合用户或产品属性的BPR模型
背景介绍问题分析预备知识属性到隐特征的映射kNN映射kNN-BPR线性映射lin-BPR背景介绍 BPR模型是Steffen Rendle提出的一种面向隐反馈偏好数据的排序模型,该排序模型较好地对用户的正负向反馈进行建模,且可以与传统的协同过滤模型如矩阵分解模型进行结合即BPR-MF,本文介绍如何在BPR-MF模型中融合用户或者产品属性,融合用户或者原创 2016-06-17 17:20:58 · 1747 阅读 · 1 评论 -
Hete-CF: 使用异构社交关系的协同过滤推荐算法
摘要:本文作者研究了在异构社交网络上的基于社交关系的推荐算法,提出了Hete-CF,一种使用异构关系的社会协同过滤算法。与现有方法不同,Hete-CF可以有效地利用异构社交网络中多种不同类型的关系。更重要的是,Hete-CF是一个一般化的推荐方法,因此可以应用于任意社交网络中,包括基于事件的社交网络,基于位置的社交网络,以及其它类型的与社交信息相关的异构信息网络。在真实数据集DBLP(一种典型的异构翻译 2016-08-01 18:55:49 · 1124 阅读 · 0 评论 -
加权异构信息网络中的基于语义路径的个性化推荐
摘要 传统的异构信息网络没有考虑链接上的属性值,而在异构信息网络中,由于推荐系统用户对产品评分值的存在(如1到5分的评分),目前广泛使用的元路径可能不能精确地刻画对象之间的语义联系。本文我们是首先通过区分不同的链接属性值提出加权异构信息网络和加权元路径的概念来刻画路径语义的。此外,我们提出了一种基于语义路径的个性化 推荐方法SemRec来预测用户对产品的评分。通过设置元路径,SemRec不仅翻译 2016-08-02 16:29:37 · 2366 阅读 · 0 评论 -
利用社交关系提升个性化排序效果
Leveraging Social Connections to Improve Personalized Ranking for Collaborative Filtering文章主要思想介绍模型假设模型推导问题定义Leveraging Social Connections to Improve Personalized Ranking for Collaborative Filterin原创 2016-10-09 10:49:09 · 983 阅读 · 0 评论 -
社会化推荐系统中用重叠社区正则化进行评分预测
社会化推荐系统原创 2016-11-13 15:33:46 · 629 阅读 · 0 评论 -
如何在模型中融合内容信息
如何在模型中融合内容信息COM:群推荐的生成模型3.5 融合内容信息 我们使用两个推荐任务来阐述如何融合在模型中融合内容信息,这两个推荐任务分别是场地推荐和电影推荐。 针对群体的场地推荐 人们经常会一起去某地购物,聚餐。针对群体的场地推荐旨在推荐群成员感兴趣的场地。对于场地推荐,地理距离是一个重要因素。之前的研究表明用户倾向于访问附近的场地,而访问场地的意愿也随着该地点到自原创 2016-06-02 09:58:57 · 714 阅读 · 0 评论 -
推荐评价指标之AUC
定义AUC的英文名称为Area under the ROC curve,即为ROC曲线下的面积。ROC曲线一般被用来评价某种分类器的分类效果。Steffen Rendle在他的经典文章BPR1中就利用AUC来评价BPR算法的预测效果。公式 在BPR文章的评价方法中,作者使用了留一法(Leave one out)评价方法:即对每个用户,从他的评分记录中随机抽取一个评分记录放入测试集,剩下的评分记录作为原创 2016-06-04 11:39:34 · 3208 阅读 · 1 评论 -
基于两两交互张量分解模型的个性化标签推荐
基于PITF的个性化标签推荐摘要引言相关工作个性化标签推荐非个性化标签推荐张量分解模型成对交互模型个性化标签推荐形式化定义数据分析标签推荐的贝叶斯个性化排序BPRBPR最优化准则BPR学习算法张量分解模型塔克分解模型TDTF规范化分解模型CDTF成对交互张量分解模型PITFTDCD和PITF之间的关系实验评价数据集评价方法实验结果学习运行时间预测质量翻译 2016-05-08 10:14:04 · 3293 阅读 · 0 评论 -
社交网络中基于张量分解的好友推荐
社交网络中基于张量分解的好友推荐摘要引言相关研究问题描述所提好友推荐方法实验验证结论摘要社交网络中快速增长的用户对现有好友推荐系统提出了挑战。本文我们用张量分解模型基于用户的标签行为信息提出了一种新的推荐框架,解决社交网络中的好友推荐问题。该研究有两个主要贡献:(1)提出了一种新的张量模型来刻画社会化标签系统中用户、用户兴趣和朋友之间的潜在关联;(2)基于上述模型提出了一种新的好友推翻译 2016-05-11 00:08:12 · 5033 阅读 · 0 评论 -
SVDFeature
引言基本知识基本矩阵分解模型融合邻居信息使用隐式反馈模型学习引言 KDD-Cup上使用的Yahoo!音乐数据进行推荐与利用Netflix电影数据进行推荐的区别: (1)数据集跨度超过6000天,与电影相比,用户的音乐偏好更多样化,更不可预测,因为音乐的选择更多。此外,流派和艺术家的流行度变化也更快。需要考虑到时间变化效应; (2)训练数据和测试数据都有日期信翻译 2016-05-28 10:41:17 · 1905 阅读 · 0 评论 -
COM:一种面向群推荐的生成模型
COM:一种面向群推荐的生成模型翻译 2016-05-09 09:08:34 · 1264 阅读 · 0 评论 -
社交网络中常用数据集
Meetup数据集该数据集爬取自meetup.com从2011年10月到2012年1月。Meetup.com是一个在线社会事件服务,帮助人们发布和参与面对面的事件。在Meetup上,社会事件由用户通过指定事件在何时何地发生了什么创造。然后创造的社会事件就可以选择用户或者公众参加,这些由事件的创造者控制。其他用户可以表达他们参与事件的意愿。为了促进在线交流,Meetup.com允许用户形成翻译 2016-06-02 09:00:44 · 11756 阅读 · 3 评论 -
BPR:面向隐偏好数据的贝叶斯个性化排序学习模型
BPR面向隐式反馈数据的贝叶斯个性化排序摘要引言相关研究个性化排序形式化定义问题分析BPR贝叶斯个性化排序BPR最优化准则AUC最优化类比BPR学习算法基于BPR的学习模型矩阵分解自适应k近邻BPR与其它方法的关系加权正则化矩阵分解WR-MF最大边缘矩阵分解MMMF实验评价数据集评价方法实验结果和讨论非个性化排序结论BPR:面向隐式反馈数据的贝叶斯个性化排翻译 2016-05-04 16:01:38 · 9447 阅读 · 3 评论 -
TimeSVD++:动态协同过滤推荐算法
时间感知的隐因子模型隐因子模型时间变化的基准预测方法时间变化的隐因子模型动态邻域模型时间感知的隐因子模型隐因子模型 静态隐因子模型 r^ui=qTipu\hat{r}_{ui} = q_i^Tp_u 为了学习向量pup_u和qiq_i我们对下面的正则化平方差公式最小化: minq∗,p∗∑(u,i)∈K(rui−qTipu)2+λ(∥qi∥2+∥pu∥2)\min_{q_*,p翻译 2016-05-26 17:49:59 · 6942 阅读 · 2 评论 -
MyMediaLite的Python版本
写了个MyMediaLite的Python版本。MyMediaLite是一个使用很广泛的推荐系统评测框架,目前有C#版本和Java版本,我这里参照Java版本写了个Python版本。目前暂时只集成了WRMF算法(Y. Hu, Y. Koren, C. Volinsky: Collaborative filtering for implicit feedback datasets. ICDM 2008原创 2016-11-18 11:16:14 · 946 阅读 · 1 评论