![2ae99be8cee8de503e63bd580b74bbb7.png](https://i-blog.csdnimg.cn/blog_migrate/5c62406b1231e634959c23e6d7b1f465.jpeg)
1 引用
Markus Weimer and Alexandros Karatzoglou and Marcel Bruch. Maximum margin matrix factorization for code recommendation. In Proceedings of the 2009 ACM Conference on Recommender Systems, 2009, 309-312.
2 摘要
代码推荐系统通过推荐基于现有代码的调用来简化软件框架和库的使用和学习。通常,代码推荐工具基于相当简单的基于规则的系统,而推荐系统和协作过滤的许多最新进展主要集中在评级数据上。虽然这些进步中的许多都可以纳入到代码建议中,但设置这个问题本身也带来了相当大的挑战。在本文中,我们扩展了最先进的协同过滤技术,即最大边际矩阵分解(MMMF)到这个有趣的应用领域,并展示了如何应对这个问题所带来的挑战。为此,我们在 MMMF 模型中引入了两个新的损失函数。在本文中,当我们关注代码推荐时,我们的贡献和我们提出的方法可以在几乎任何可以表示为二进制交互矩阵的协作环境中使用。我们在 Eclipse 开源项目的实际数据上评估了算法。结果表明,与现有的基于规则的方法相比,该方法有了显著的改进。
3 技术介绍
我们将矩阵分解方法转化为二元相互作用数据。为此,我们