从用户个人资料准确地刻画和建模用户偏好的相关算法
1.top-n推荐系统的因子项目相似性模型(FISM)
factored item similarity models for top-n recommender systems.
-
该方法在忽略历史课程的顺序的条件下实施。
-
背景介绍:
多年以来,人们开发了很多算法来解决top-N推荐器问题。这些算法利用用户反馈(购买、评级、评论)来计算推荐。现有的方法分为两类:1.基于协同过滤(CF)的方法2.基于内容的方法(用户/项目相关的特征用于构建模型)。CF方法分为两类:1.基于最近邻的方法 2.基于模型的方法。
最近提出了一种新的top-N推荐方法,称为SLIM。 -
针对什么问题:
数据集越稀疏,top-N推荐方法的有效性会越低。提出一种算法来缓解这个问题。 -
解决方案:
提出了一种基于项目的方法来生成top-N推荐。该方法将项目-项目相似性矩阵学习成两个低维潜在因子矩阵的乘积。这些矩阵由一个结构方程建模方法学习得到。 -
提出的框架
-
哪里需要改进