论文笔记：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust

最新推荐文章于 2023-03-28 15:37:06 发布
最新推荐文章于 2023-03-28 15:37:06 发布
阅读量3.7k 收藏 3
点赞数 2
分类专栏： baseline1 推荐系统会议论文 文章标签： 矩阵分解 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/qq_35771020/article/details/88422815
版权
TrustSVD是一种解决协同过滤中数据稀疏和冷启动问题的矩阵分解技术，它扩展了SVD++，考虑了用户信任的显性和隐性影响。通过对社会信任数据的分析，发现信任与评级信息相辅相成，能提升推荐精度。实验显示TrustSVD在预测准确性上优于其他10种方法，尤其在处理冷启动场景时表现出色。
摘要由CSDN通过智能技术生成

一、基本信息

论文题目：《TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings》

发表时间：AAAI 2015

论文作者及单位：

论文地址：https://aaai.org/ocs/index.php/AAAI/AAAI15/paper/view/9313

 

二、摘要

        协同过滤存在数据稀疏和冷启动等问题，极大地降低了推荐性能。为了解决这些问题，我们提出了一种基于信任的矩阵分解技术trustsvd。通过对四个现实数据集的社会信任数据的分析，我们得出结论：在推荐模型中，不仅要考虑评级和信任的显性影响，还要考虑其隐性影响。因此，我们建立在最先进的推荐算法SVD++的基础上，通过进一步整合受信任用户对活动用户项目预测的显式和隐式影响，该算法固有地涉及评级项目的显式和隐式影响。据我们所知，本文的工作是第一个用社会信任信息扩展SVD++的工作。对四组数据的实验结果表明，我们的方法trustsvd比其他十组数据具有更好的精度，能够更好地处理相关问题。

 

三、主要内容与工作

1、在本文中，我们提出了一

最低0.47元/天 解锁文章
塘朗老实人
关注
专栏目录
TrustSVD算法进行基于矩阵分解的商品推荐 代码+数据（可作为毕设）
11-25 572
TrustSVD算法进行基于矩阵分解的商品推荐 代码+数据（可作为毕设）
推荐系统实践（四）LFM原理（1）
HouLei
05-17 1534
隐语义模型，矩阵分解方法： 一、SVD分解 1.存在两个严重的缺陷： （1）、SVD 分解前需要把稀疏矩阵填充成无缺失值的稠密矩阵，而数据集中往 往 90%以上的数据都是缺失的，这样会造成数据存储空间成本大大增加； （2）、该算法的计算复杂度较高，对于填充后的稠密矩阵来说，计算速度变的 更慢，甚至无法获得结果。 2、算法流程： 关键步骤： 对特征值矩阵进行选择，一般从小到大排序，特征值大的代表着...
[论文笔记] 2015-AAAI-TrustSVD
weixin_46448399的博客
03-28 497
论文题目：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings协同过滤存在数据稀疏性和冷启动等问题，极大地降低了推荐性能。为了帮助解决这些问题，提出TrustSVD，一种基于信任的矩阵分解技术。通过分析来自四个真实数据集的社会信任数据，得出结论，在推荐模型中，应该考虑评分和信任的显式影响和隐式影响。
Collaborative Filtering 协同过滤小结 part-2：SVD
yujianmin1990的专栏
04-23 1382
接下来介绍下SVD 基于SVD方法的CF 　　SVD-CF是应用最广也最成功的协同过滤方法，现在对SVD介绍下。
HellTrustSVD
serenysdfg的博客
04-23 504
现在，大多推荐模型为了解决冷启动和稀疏问题引入社交网络中的信任关系。然而对于没有社交网络数据的场景挑战很大。社交数据的噪声和联系太弱也对结果有影响。作者提出一种既利用了显式数据和隐式数据的模型，可以在没有trust数据的情况下，从rating数据中提取社交关系，并且RMSE和MSE还可以和普通的社交推荐一样好。 大多数现有模型使用显式数据，忽视了隐式数据，其主要创新点主要在从评分矩阵中挖掘...
SVD-被引用最多的论文
08-25
关于SVD算法的论文，发表于1970年，题目：Singular Value Decomposition and Least Squares Solutions
论文笔记：Collaborative Filtering for Implicit Feedback Datasets
qq_35771020的博客
04-20 953
一、基本信息 论文题目：《Collaborative Filtering for Implicit Feedback Datasets》 发表时间：ICDM 2008 作者及单位： 论文地址：https://dl.acm.org/citation.cfm?id=1510528.1511352 二、摘要 推荐系统的一个共同任务是通过基于事先隐含反馈的个性化推荐来改善客户体验。这...
Neural Collaborative Filtering
qq_37312124的博客
07-11 455
Neural Collaborative FilteringAddressed ProblemProblem FormulationGoalRelated WorkTwo types of objective functionMatrix FactorizationNEURAL COLLABORATIVE FILTERINGGeneralized Matrix Factorization(GMF)Pre-training Addressed Problem This work addresses the a
Review: Model User Exposure in Recommender
weixin_32334291的博客
03-03 403
简介 对于解决implicit data recommendation的问题，最主要要难点是，user-item matrix只有0-1的信息，并且我们inference user preference的时候，我们必须要用到0的信息。但是我们不知道数值为0的item到底是真的用户不喜欢/不点击，还是这个item压根就没有被没有被推荐给用户。很多老的方法没有考虑这点，单纯的假设所有0的信息代表物品被...
SVD++三篇相关论文
12-23
阅读这些论文，可以有效帮助理解SVD++，实现SVD++程序
【CIKM 2021】推荐系统相关论文分类
发现问题，并解决问题，批判性思维
01-12 1926
第30届国际信息与知识管理大会（The 30th ACM International Conference on Information and Knowledge Management, CIKM 2021）计划于2021年11月1日-11月5日在线召开。ACM CIKM是CCF推荐的B类国际学术会议，是信息检索和数据挖掘领域最重要的学术会议之一。这次会议共收到1251篇长文（Full paper）、290篇应用文（Applied paper）和626篇短文（Short paper）投稿，有271篇长文、
LibRec使用重现trustsvd和`Exception in thread"main"net.librec.common.LibrecException:Loss=NaN or Infinity
Gunther的博客
04-19 1309
1.首先 下载 2.下载后解压。 3.在windows下演示，linux同理。 4.直接先进入cmd,切换到解压的目录bin下如图： 5.测试运行一个简单的推荐算法：Global Averagelibrec rec -exec -D rec.recommender.class=globalaverage从图上可知，LibRec自动（从类路径classpath中）加载了 librec.pro
论文笔记4：两篇利用SVD去噪论文
Hermite Lee的博客
07-22 3817
论文笔记4：两篇利用SVD去噪论文
论文阅读笔记-SVD-CNN: A Convolutional Neural Network Model with Orthogonal Constraints Based on SVD
qq_40801569的博客
11-06 451
论文题目：SVD-CNN: A Convolutional Neural Network Model with Orthogonal Constraints Based on SVD for Context-Aware Citation Recommendation 论文链接：SVD-CNN: A Convolutional Neural Network Model with Orthogonal Constraints Based on SVD for Context-Aware Citation Re
【论文实现】以SVD的分解形式进行深度神经网络的训练（PyTorch）
热门推荐
一只热爱奔跑的程序猿
05-30 1万+
年轻人少熬夜
基于SVD++隐语义模型的信任网络推荐算法
weixin_45585364的博客
09-01 760
点击上方蓝字关注我们基于SVD++隐语义模型的信任网络推荐算法陈佩武1,束方兴21平安科技（深圳）有限公司，广东 深圳 5180312北京大学互联网研究院（深圳），广东 深圳 518...
推荐系统论文集合（一）：矩阵分解家族
欢迎来到小丁的技术空间
03-08 1505
下面根据矩阵分解的发展路线，列出相关文献（会持续进行更新）： SVD 奇异值分解，主要作用是降维，适用于图像压缩，还有推荐系统。 NMF (1999) Lee et al. Learning the parts of objects by non-negative matrix factorization. Nature 401.6755 (1999): 788. paper FunkSVD ...
factorization meets the neighborhood: a multifaceted collaborative filtering
最新发布
08-09
因子分解遇见邻域：一个多方面的协同过滤方法是一种结合了因子分解和邻域方法的协同过滤算法。在传统的协同过滤算法中，主要有两种方法：基于邻域的方法和基于模型的方法。基于邻域的方法主要是通过计算用户间或物品间的相似度来推荐相似用户或相似物品的评分。而基于模型的方法则是通过构建模型来预测评分。 因子分解是一种常见的基于模型的方法，它可以将用户-物品评分矩阵分解为两个低秩矩阵的乘积，以得到用户和物品的隐含特征。这种方法可以有效地处理稀疏性和冷启动的问题，但在数据稀疏的情况下仍然存在一些挑战。 为了克服因子分解算法在数据稀疏情况下的问题，多方面的协同过滤算法提出了将因子分解与邻域方法相结合的新思路。具体而言，它利用了邻域方法的局部信息来改进因子分解算法的准确度和鲁棒性。 在多方面的协同过滤算法中，首先通过因子分解算法得到用户和物品的隐含特征，并用隐含特征对评分进行预测。然后，利用邻域方法计算用户或物品的邻居，并根据邻居的评分信息进行调整。最终，通过加权融合因子分解和邻域方法的结果，得到最终的推荐结果。 该算法的优点是综合了因子分解和邻域方法的优势，可以克服两种方法在特定情况下的局限性。它既考虑了全局的隐含特征，又考虑了局部的用户或物品相似度。因此，多方面的协同过滤算法在推荐系统中具有广泛的应用前景。
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