Integratie van inhoudsinformatie met op factoren gebaseerde collaboratieve filtering

Ik ben wat papieren aan het lezen in CF en merkte dat de meeste state-of-the-art-methoden alleen gebaseerd zijn op verschillende ontbindingsmethoden op de beoordelingsmatrix. Ik zou graag willen weten of er enkele representatieve werken zijn over het combineren van inhoudsinformatie (bijvoorbeeld gebruikersfuncties en itemeigenschappen) tot ontbindingsfouten. Om het even welke ideeën?

2

2 antwoord

Ik ben een onderzoeker op het gebied van aanbevelingssystemen en heb daar wat aan gewerkt. Hier zijn enkele artikelen over dat onderwerp:

  1. Aditya Krishna Menon, Charles Elkan: een log-lineair model met latente kenmerken voor dyadische voorspelling, ICDM 2010
  2. David Stern, Ralf Herbrich en Thore Graepel: Matchbox: aanbevelingen Bayesian Large, WWW 2009
  3. Chong Wang, David Blei: Collaborative topic modeling voor het aanbevelen van wetenschappelijke artikelen, KDD 2011
  4. Zeno Gantner, Lucas Drumond, Christoph Freudenthaler, Steffen Rendle, Lars Schmidt-Thieme: attribuut-to-feature-kaarten leren voor Cold-Start Recommendations, ICDM 2010
  5. D. Agarwal en B.-C. Chen. Regressie-gebaseerde latente-factor modellen, KDD 2009
  6. D. Agarwal en B.-C. Chen. fLDA: matrixfactorisatie via latent dirichlet-allocatie, WSDM 2010

Houd er rekening mee dat (4) een krant van mij is, dus dit is ook een soort advertentie ;-)

Also, the KDD Cup 2011 involved an item taxonomy, and there has been some interesting work on combining such taxonomy information with latent factor models at the workshop: http://kddcup.yahoo.com/workshop.php

3
toegevoegd

Zie bijvoorbeeld " 5. Hybride collaboratieve filtertechnieken " in

X. Su, T. M. Khoshgoftaar, A Survey of Collaborative Filtering Techniques,   Vooruitgang in Arti fi cial Intelligence (2009). PDF

0
toegevoegd