Pracuję nad projektem dla wspólnego filtrowania (CF), tj. Ukończenia częściowo zaobserwowanej macierzy lub bardziej ogólnie tensora. Jestem nowicjuszem w tej dziedzinie i ostatecznie w tym projekcie muszę porównać naszą metodę z innymi dobrze znanymi, które obecnie porównywane są z nimi proponowane metody, a mianowicie najnowocześniejszy w CF.
Moje wyszukiwanie ujawniło następujące metody. Rzeczywiście natknąłem się na nie, patrząc na niektóre z tych artykułów i ich odnośniki, lub patrząc na sekcję eksperymentów, kiedy dokonują porównań. Z przyjemnością dowiem się o nowej proponowanej metodzie i dokonam porównania z SoTA, który z poniższych sposobów byłby dobrym wyborem? Jeśli nie wśród nich, chętnie poznam dobrego przedstawiciela.
Na podstawie faktoryzacji macierzy:
- Ważone przybliżenie niskiego poziomu (ICML 2003)
- Modelowanie profili oceny użytkowników do filtrowania grupowego (NIPS 2003)
- Model wielokrotnego multiplikatywnego czynnika do filtrowania współpracującego (ICML 2004)
- Szybkie maksymalizowanie matrycy marginesów dla predykcji współpracy (ICML 2005)
- Probabilistic Matrix Factorization (NIPS 2007)
- Bayesian Probabilistic Matrix Factorization (ICML 2008)
- Modele ukrytych czynników opartych na regresji (KDD 2009)
- Nieliniowe faktoryzacja macierzy za pomocą procesów Gaussa (ICML 2009)
- Dynamic Poission Factorization (konferencja ACM nt. Systemów rekomendujących 2015)
Na podstawie faktoryzacji tensora:
- Włączanie informacji kontekstowych do systemów rekomendujących wykorzystujących podejście wielowymiarowe (Transakcje ACM na systemach informatycznych (TOIS) 2005)
- Bayesian Probabilistic Tensor Factorization (SIAM Data Mining 2010)
- Ukończenie niskiego rangi tensora przez optymalizację Riemanniana (BIT Mathematics 54.2 (2014))
Odpowiedzi:
Możesz także zapoznać się z dokumentem dotyczącym systemu rekomendacji grawitacji (GRS), który również dotyczy faktoryzacji macierzy. Autorzy rywalizowali przy użyciu tego algorytmu w dobrze znanej nagrody Netflix.
źródło