碧、轩;盖迪米亚斯·阿多马维修斯;威廉·李;Qu，Annie（安妮·屈） 提高销售预测准确性：一种具有需求意识的张量因子分解方法。 （英语） Zbl 07552227号 信息J.计算。 34，第3期，1644-1660（2022）. 摘要：由于消费者、产品和商店的大数据收集的可访问性，先进的销售预测功能已引起许多企业的高度重视，尤其是零售企业，因为预测在决策中的重要性。预测准确性的提高，即使只是一小部分，也可能对公司的生产和财务规划、营销策略、库存控制和供应链管理产生重大影响。具体来说，我们的研究目标是预测每个商店在不久的将来每种产品的销售额。受上下文软件推荐系统张量因子分解方法的启发，我们提出了一种新的方法，称为高级时间潜在因素销售预测方法，简称ATLAS，它通过构建跨多个商店和产品的单个张量因子分解模型，实现准确和个性化的销售预测。我们的贡献是结合了张量框架（利用跨商店和产品的信息）、新的正则化函数（结合需求动态）和使用最新统计（季节性自回归综合移动平均模型）将张量外推到未来时间段和机器学习（递归神经网络）模型。Information Resources，Inc.收集的八个产品类别数据集证明了ATLAS的优势，在这些数据集中，我们分析了1500多家杂货店15560多种产品的每周总销售额1.65亿。贡献摘要：销售预测一直是一项重要的任务。准确的销售预测为公司的决策和运营提供了关键的管理启示。预测准确性的提高可能会对公司的生产计划、营销策略、库存控制和供应链管理等产生重大影响。本文提出了一种新的销售预测计算（基于机器学习）方法，从而直接定位于计算和业务/运营研究的交叉点。 MSC公司： 90倍X 运筹学、数学规划 关键词：设计科学;机器学习;销售预测;张量分解;消费者需求 PDF格式BibTeX公司 XML格式引用 \textit{X.Bi}等人，《信息与计算》。34，第3号，1644--1660（2022；Zbl 07552227） 全文： 内政部 arXiv公司 参考文献： [1] Adomavicius G，Kwon Y（2014）基于优化的方法，用于最大化总推荐多样性。信息J.计算。26（2）：351-369.Link，谷歌学者·Zbl 1357.68235号 [2] Adomavicius G，Tuzhilin A（2005）《走向下一代推荐系统：最先进和可能扩展的调查》。IEEE传输。知识数据工程。17（6）：734-749.Crossref，谷歌学者·doi:10.1010/TKDE.2005.99 [3] Adomavicius G，Tuzhilin A（2015）上下文软件推荐系统。Ricci F、Rokach L、Shapira B编辑。推荐系统手册（波士顿斯普林格），191-226.Crossref，谷歌学者·doi:10.1007/978-1-4899-7637-66 [4] Adomavicius G，Bockstedt J，Curley SP，Zhang J（2013）推荐系统是否操纵消费者偏好？锚固效应研究。通知。系统研究。24（4）：956-975.谷歌学者 [5] Adomavicius G，Bockstedt JC，Curley SP，Zhang J（2018）在线推荐对消费者支付意愿的影响。通知。系统研究。29（1）：84-102.链接，谷歌学者 [6] Aggarwal CC（2016）推荐系统（瑞士查姆施普林格）。Crossref，谷歌学者·数字对象标识代码：10.1007/978-3-319-29659-3 [7] Bell RM，Koren Y（2007）具有联合推导的邻域插值权重的可扩展协作滤波。Ramakrishnan N、ZaTane OR、Shi Y、Clifton CW、Wu X编辑。程序。2007年第7届IEEE国际。Conf.数据挖掘（新泽西州皮斯卡塔韦IEEE），43-52。谷歌学者 [8] Bi X，Qu A，Shen X（2018）多层张量因式分解及其在推荐系统中的应用。安。统计师。46（6B）：3308-3333.Crossref，谷歌学者·Zbl 1454.62511号 ·doi:10.1214/17-AOS1659 [9] Bi X，Yang M，Adomavicius G（2021a）《推荐系统的消费者获取：理论框架和实证评估》。10月2日提交的预印本，http://dx.doi.org/10.2139/ssrn.3675644.谷歌学者 [10] Bi X，Qu A，Wang J，Shen X（2017）群体特定推荐系统。J.艾默。统计师。协会。112（519）：1344-1353.Crossref，谷歌学者·doi:10.1080/01621459.2016.1219261 [11] Bi X，Tang X，Yuan Y，Zhang Y，Qu A（2021b）统计学中的时态。年度收入统计。申请。8:345-368. https://www.annualreviews.org/doi/abs/10.1146/annurev-statistics-042720-020816.交叉参考，谷歌学者·doi:10.1146/annurev-statistics-042720-020816 [12] Böhm V，Haller H（2008）需求理论。Durlauf SN、Blume LE编辑。新帕尔格雷夫经济学大辞典第二版（帕尔格雷夫·麦克米伦，伦敦），1311-1320。Crossref，谷歌学者·doi:10.1057/978-1-349-95121-5_539-2 [13] Box GE、Jenkins GM、Reinsel GC、Ljung GM（2015年）时间序列分析：预测和控制第5版（新泽西州霍博肯John Wiley&Sons）。谷歌学者 [14] Breese JS，Heckerman D，Kadie C（1998），协作过滤预测算法的实证分析。Cooper GF，Moral S，eds。程序。第14届不确定性人工智能大会（Morgan Kaufmann Publishers，旧金山），43-52.谷歌学者 [15] Bronnenberg BJ、Kruger MW、Mela CF（2008）IRI营销数据集。营销科学。27（4）：745-748.链接，谷歌学者 [16] Brynjolfsson E，Hu Y，Simester D（2011）《再见，帕累托原理，你好，长尾：搜索成本对产品销售集中度的影响》。管理科学。57（8）：1373-1386.链接，谷歌学者 [17] Brynjolfsson E、Hu Y、Smith MD（2010）《长尾vs.超级明星：信息技术对产品多样性和销售集中模式的影响》。通知。系统研究。21（4）：736-747.链接，谷歌学者 [18] Campos PG、Díez F、Cantador I（2014）《时间软件推荐系统：对现有评估协议的综合调查和分析》。用户模型。用户适应的交互24（1-2）：67-119。Crossref，谷歌学者·doi:10.1007/s11257-012-9136-x [19] Carroll JD，Chang JJ（1970）通过“Eckart-Young”分解的N向推广分析多维标度中的个体差异。心理测量学35（3）:283-319.Crossref，谷歌学者·Zbl 0202.19101号 ·doi:10.1007/BF02310791 [20] 陈毅，谢杰（2005）第三方产品评价与企业营销战略。营销科学。24（2）：218-240.链接，谷歌学者 [21] Choi TM、Wallace SW、Wang Y（2018）《运营管理中的大数据分析》。生产运营。管理27（10）：1868-1883.Crossref，谷歌学者·doi:10.1111/poms.12838 [22] Chong AYL，Ch'ng E，Liu MJ，Li B（2017）《通过大数据预测消费品需求：在线促销营销和在线评论的作用》。国际。J.生产研究。55（17）:5142-5156.谷歌学者（Google Scholar）交叉引用·doi:10.1080/00207543.2015.1066519 [23] Chu BS，Cao DB（2011）新产品销售预测的需求动量动态三次神经网络。问询处14（4）：1171-1182.谷歌学者 [24] Clark J，Provost F（2016），预测建模过程中基于矩阵分解的降维：设计科学视角。纽约大学工作文件CBA-16-01，纽约大学，谷歌学者 [25] Cui R、Gallino S、Moreno A、Zhang DJ（2018）社交媒体信息的运营价值。生产运营。管理27（10）：1749-1769.交叉引用，谷歌学者·doi:10.1111/poms.12707 [26] Curtis A、Lundholm RJ、McVay SE（2014）《销售预测：零售业的模型和一些证据》。当代会计研究。31（2）:581-608.Crosref，谷歌学者·数字对象标识代码：10.1111/1911-3846.12040 [27] Dunlavy DM、Kolda TG、Acar E（2011）使用矩阵和张量因子分解进行时间链接预测。ACM事务处理。知识发现数据5（2）：第10条谷歌学者 [28] Ferreira KJ、Lee BHA、Simchi-Levi D（2015）《在线零售商分析：需求预测和价格优化》。制造服务运营。管理18（1）:69-88链接，谷歌学者 [29] Feuerverger A、He Y、Khatri S（2012）《Netflix挑战的统计意义》。统计师。科学。27（2）：202-231.Crossref，谷歌学者·Zbl 1330.62090号 ·doi:10.1214/11-STS368 [30] Fisher M，Gallino S，Li J（2018），在线零售中基于竞争的动态定价：一种通过现场实验验证的方法。管理科学。64（6）：2496-2514.谷歌学者链接 [31] Fleder D，Hosanagar K（2009）百视达文化的下一个兴衰：推荐系统对销售多样性的影响。管理科学。55（5）：697-712.谷歌学者链接 [32] Friedman J，Hastie T，Höfling H，Tibshirani R（2007）路径坐标优化。附录申请。统计师。1（2）：302-332.Crossref，谷歌学者·Zbl 1378.90064号 ·doi:10.1214/07-AOAS131 [33] Funk S（2006）Netflix更新：在家试试这个。《控制论的演变：期刊》（博客），12月11日，http://sifter.org/simon/journal/20061211.html.谷歌学者 [34] Gaur V，Kesavan S，Raman A，Fisher ML（2007）使用判断性预测估算需求不确定性。制造服务运营。管理9（4）:480-491.Link，谷歌学者 [35] Gers FA、Schmidhuber J、Cummins F（1999）《学会遗忘：LSTM的持续预测》。程序。第九届国际。Conf.人工神经网络，第2卷（伦敦电气工程师学会），850-855。https://ieeexplore.ieee.org/document/818041谷歌学者 [36] Giering M（2008），零售销售预测和商品推荐，使用商店层面的客户人口统计数据。SIGKDD探索10（2）：84-89。Crossref，谷歌学者·doi:10.1145/1540276.1540301 [37] Graves A、Liwicki M、Fernández S、Bertoma R、Bunke H、Schmidhuber J（2008）一种新的连接主义系统，用于无约束手写识别。IEEE传输。模式分析。机器智能31（5）：855-868.Crossref，谷歌学者·doi:10.1109/TPAMI.2008.137 [38] Harshman RA（1970）PARAFAC程序的基础：“解释性”多模态因素分析的模型和条件。加州大学洛杉矶分校工作论文语音学16:1-84. https://citeseerx.ist.psu.edu/viewdoc/download？doi=10.1.1.144.5652&rep=rep1&type=pdf.Google学者 [39] Hasan T，Arshad N，Dahquist E，McCrickard S（2017）在给定上下文信息的情况下，用于家庭负荷预测的协作过滤。程序。2017 SIAM车间机器学习。休斯顿推荐系统（MLRec）。谷歌学者 [40] Hevner AR，March ST，Park J，Ram S（2004）《信息系统研究中的设计科学》。MIS夸脱。28（1）：75-105.Crossref，谷歌学者·doi:10.2307/25148625 [41] Hidasi B，Tikk D（2012）基于ALS的快速张量因式分解，用于从隐式反馈中推荐上下文软件。Flach PA、De Bie T、Cristianini N编辑。联合Eur.Conf.机器学习。知识发现数据库（柏林施普林格），67-82，Crossref，谷歌学者·doi:10.1007/978-3-642-33486-35 [42] Hochreiter S，Schmidhuber J（1997），长期短期记忆。神经计算。9（8）：1735-1780.谷歌学者Crossref·doi:10.1162/neco.1997.9.8.1735 [43] Holtz-Eakin D，Newey W，Rosen HS（1988）用面板数据估计向量自回归。计量经济学56（6）：1371-1395。交叉引用，谷歌学者·Zbl 0654.62091号 ·doi:10.2307/1913103 [44] 霍里根JB（2016）信息过载。华盛顿特区皮尤研究中心报告。谷歌学者 [45] Hosangar K、Fleder D、Lee D、Buja A（2014）地球村会分裂成部落吗？推荐系统及其对消费者细分的影响。管理科学。60（4）:805-823.谷歌学者链接 [46] Jacoby J（1984）《信息过载透视》。J.消费者研究。10（4）:432-435.Crossref，谷歌学者·doi:10.1086/208981 [47] Jahrer M，Töscher A，Legenstein R（2010），结合准确推荐系统的预测。程序。第16届ACM SIGKDD国际。Conf.知识发现数据挖掘（ACM，纽约），693-702。https://dl.acm.org/doi/proceedings/10.1145/1835804谷歌学者 [48] Kaneko Y，Yada K（2016）预测零售店销售额的深度学习方法。Domeniconi C、Gullo F、Bonchi F、Domingo-Ferrer J、Baeza-Yates R、Zhou Z-H、Wu X编辑。2016 IEEE第16届国际。Conf.数据挖掘研讨会（新泽西州皮斯卡塔韦IEEE），531-537.谷歌学者 [49] Karatzoglou A，Amatriain X，Baltrunas L，Oliver N（2010）《多维推荐：上下文软件协同过滤的N维张量因子分解》。程序。第四届ACM Conf.推荐系统（ACM，纽约），79-86。https://dl.acm.org/doi/10.1145/1864708.1864727.谷歌学者 [50] Kesavan S、Gaur V、Raman A（2010）库存和毛利率数据是否改善了美国公共零售商的销售预测？管理科学。56（9）：1519-1533.链接，谷歌学者·Zbl 1232.90066号 [51] Kiros R、Salakhutdinov R、Zemel RS（2014）《视觉语义嵌入与多模态神经语言模型的统一》。11月10日提交的预印本，https://arxiv.org/abs/1411.2539谷歌学者 [52] Koenigstein N、Dror G、Koren Y（2011）雅虎！音乐推荐：使用时间动态和项目分类法对音乐评级进行建模。程序。第五届ACM Conf.推荐系统（ACM，纽约），165-172。https://dl.acm.org/doi/proceedings/10.1145/2043932.谷歌学者 [53] Koren Y（2010a）具有时间动力学的协作过滤。通信ACM53（4）：89-97.Crossref，谷歌学者·doi:10.1145/1721654.1721677 [54] Koren Y（2010b）《邻居因素：可扩展且准确的协作过滤》。ACM事务处理。知识发现数据4（1）:1:1-1:24.谷歌学者 [55] Koren Y，Bell R（2015）《协作过滤的进展》，Ricci F，Rokach L，Shapira B，eds。推荐系统手册（波士顿斯普林格），77-118，Crossref，谷歌学者·doi:10.1007/978-1-4899-7637-63 [56] Koren Y，Bell R，Volinsky C（2009）推荐系统的矩阵分解技术。电脑类42（8）：30-37.Crossref，谷歌学者·doi:10.1109/MC.2009.263 [57] Kremer M、Moritz B、Siemsen E（2011）《需求预测行为：系统忽视和变化检测》。管理科学。57（10）：1827-1843.链接，谷歌学者 [58] Lau RYK，Zhang W，Xu W（2018）大数据销售预测的平行面向方面情绪分析。生产运营。管理27（10）：1775-1794.Crossref，谷歌学者·doi:10.1111/poms.12737 [59] Lee D，Hosanagar K（2019）推荐系统如何影响销售多样性？通过随机现场试验进行跨类别调查。通知。系统研究。30（1）：239-259.Link，谷歌学者 [60] Li X，Wu X（2015）构建基于长短期记忆的深层递归神经网络用于大词汇量语音识别。2015 IEEE国际。声学、语音信号处理（新泽西州皮斯卡塔韦IEEE），4520-4524，谷歌学者 [61] Liebman E，Saar Tsechansky M，Stone P（2019）在正确的时间播放正确的音乐：基于序列建模的自适应个性化播放列表。MIS夸脱。43（3）：765-786.Crossref，谷歌学者·doi:10.25300/MISQ/2019/14750 [62] Liu X，Singh PV，Srinivasan K（2016）利用云计算对非结构化大数据进行结构化分析。营销科学。35（3）:363-388.Link，谷歌学者 [63] Ma S，Fildes R，Huang T（2016）高维数据需求预测：利用类别内和类别间促销信息进行SKU零售销售预测的案例。欧洲药典。物件。249（1）：245-257.Crossref，谷歌学者·Zbl 1346.62165号 ·doi:10.1016/j.ejor.2015.08.029 [64] Mahajan V，Wind Y（1988）《新产品预测模型：研究和实施方向》。国际。J.预测4（3）：341-358.Crossref，谷歌学者·doi:10.1016/0169-2070（88）90102-1 [65] Malhotra P，Vig L，Shroff G，Agarwal P（2015）用于时间序列异常检测的长短期记忆网络。程序。欧洲交响乐团。人工神经网络，计算。智能机器学习。（ESANN，比利时布鲁日）。https://www.esann.org/会议记录。89-94.谷歌学者 [66] Mas-Machuca M、Sainz M、Martinez-Costa C（2014）《新产品预测模型综述》。无形资本10（1）：1-25.Crossref，谷歌学者·doi:10.3926/ic.482 [67] Mentzer JT，Moon MA（2004年）销售预测管理：一种需求管理方法第二版（Sage Publications，千橡，CA）。谷歌学者 [68] Muter I，Aytekin T（2017）使用可扩展优化方法将聚合多样性纳入推荐系统。信息J.计算。29（3）：405-421.链接，谷歌学者·Zbl 1386.90138号 [69] Nichols DR，Tsay JJ（1979）证券价格对长期高管盈利预测的反应。J.会计研究。17（1）：140-155.Crossref，谷歌学者·doi:10.2307/2490310 [70] Oestreicher Singer G，Sundararajan A（2012）推荐网络和电子商务的长尾。MIS夸脱。36（1）：65-83.Crossref，谷歌学者·doi:10.2307/41410406 [71] Osadchiy N、Gaur V、Seshadri S（2013）《销售预测与财务指标和专家意见》。生产运营。管理22（5）：1056-1076谷歌学者 [72] Panniello U、Gorgoglione M、Tuzhilin A（2016）《在我们信任的CARS中：情境推荐如何影响客户的信任以及推荐系统的其他业务绩效指标》。通知。系统研究。27（1）：182-196链接，谷歌学者 [73] Parry ME，Cao Q，Song M（2011）使用概率神经网络预测新产品采用率。J.生产创新管理28（s1）：78-88。Crossref，谷歌学者·数字对象标识代码：10.1111/j.1540-5885.2011.00862.x [74] Pavlyshenko BM（2019）销售时间序列预测的机器学习模型。数据（巴塞尔）4（1）：第15条谷歌学者 [75] Penman SH（1980）《企业盈利预测自愿披露的实证研究》。J.会计研究。18（1）:132-160.谷歌学者交叉引用·doi:10.307/2490396 [76] Rendle S（2012）使用libFM的因式分解机器。ACM事务处理。智能系统技术。3（3）：57:1-57:22.Crossref，谷歌学者·doi:10.1145/2168752.2168771 [77] Resnick P、Iacovou N、Suchak M、Bergstrom P、Riedl J（1994）《GroupLens:网络新闻协同过滤的开放式架构》。程序。1994 ACM Conf.计算。支持的合作工作（ACM，纽约），175-186年。谷歌学者 [78] Ricci F、Rokach L、Shapira B（2011）推荐系统手册简介。Ricci F、Rokach L、Shapira B编辑。推荐系统手册（波士顿斯普林格），1-35.Crossref，谷歌学者·Zbl 1214.68392号 ·doi:10.1007/978-0-387-85820-3_1 [79] Rumelhart D，Hinton G，Williams R（1986）通过反向传播错误学习表征。自然323:533-536。https://doi-org.ezp1.lib.umn.edu/10.1038/323533a0.谷歌学者·Zbl 1369.68284号 [80] Sahoo N，Singh PV，Mukhopadhyay T（2012b）协作过滤的隐马尔可夫模型。MIS夸脱。36（4）：1329-1356.Crossref，谷歌学者·doi:10.2307/41703509 [81] Sahoo N，Krishnan R，Duncan G，Callan J（2012a）多成分评级中的光环效应及其对推荐系统的影响：雅虎案例！电影。通知。系统研究。23（1）：231-246.链接，谷歌学者 [82] Sak H，Senior A，Beaufays F（2014）用于大规模声学建模的长短期记忆递归神经网络架构。第十五届国际年会。语音通信协会。338-342. https://www.isca-speech.org/archive/interseech_2014/index.html谷歌学者 [83] Salakhutdinov R、Mnih A、Hinton G（2007）《协作过滤用受限Boltzmann机器》，Ghahramani Z编辑。程序。第24届国际。Conf.机器学习。（ACM，纽约），791-798，谷歌学者 [84] Sarwar BM，Karypis G，Konstan JA，Riedl J（2001），基于项目的协同过滤推荐算法。程序。第十届国际。WWW会议。，第1卷（ACM，纽约），285-295，谷歌学者 [85] 施罗德RG，戈尔茨坦SM（2016）供应链中的运营管理：决策与案例第7版（McGraw-Hill Education，纽约）。谷歌学者 [86] 参见To EW，Ngai EW（2018）《客户需求分布评论和销售动态预测：大数据方法》（Customer reviews for demand distribution and sales nowcasting:A big data approach）。安·Oper。物件。270（1）：415-431.Crossref，谷歌学者·Zbl 1412.62206号 ·数字对象标识码：10.1007/s10479-016-2296-z [87] Shi X，Chen Z，Wang H，Yeung D-Y，Wong W，Woo W（2015）《卷积LSTM网络：降水预报的机器学习方法》。Cortes C、Lawrence N、Lee D、Sugiyama M、Garnett R编辑。神经信息处理系统研究进展，第28卷（纽约州Red Hook市Curran Associates），802-810.谷歌学者 [88] Shi X，Gao Z，Lausen L，Wang H，Yeung D，Wong W，Woo W（2017）《降水预报深度学习：基准和新模型》。Guyon I、Luxburg UV、Bengio S、Wallach H、Fergus R、Vishwanathan S、Garnett R编辑。神经信息处理系统研究进展，第30卷（纽约州Red Hook市Curran Associates），5617-5627.谷歌学者 [89] Song Y，Sahoo N，Ofek E（2019）何时以及如何多样化——个性化内容推荐的多类别实用模型。管理科学。65（8）：3737-3757.链接，谷歌学者 [90] Su X，Khoshgoftaar TM（2009）《协作过滤技术的调查》。高级人工智能2009年（1月）：第4条谷歌学者 [91] Sun ZL，Choi TM，Au KF，Yu Y（2008）《使用极限学习机器进行销售预测，并将其应用于时尚零售业》。决策支持系统46（1）:411-419.Crossref，谷歌学者·doi:10.1016/j.dss.2008.07.009 [92] Wacker JG，Lummus RR（2002）《战略资源规划的销售预测》。国际。《运营杂志》。生产管理22（9）：1014-1031.Crossref，谷歌学者·doi:10.1108/01443570210440519 [93] Walter FE，Battiston S，Yildirim M，Schweitzer F（2012）将推荐系统从在线商务转移到零售店。通知。系统E-Bus。管理10（3）：367-393.Crossref，谷歌学者·doi:10.1007/s10257-011-0170-8 [94] Wang Y，Bi X，Qu A（2020）具有多项式响应的推荐系统的逻辑因式分解模型。J.计算。图形统计。29（2）:396-404.Crossref，谷歌学者·Zbl 07499265号 ·doi:10.1080/10618600.2019.1665535 [95] Wang H，Wang N，Yeung D-Y（2015）推荐系统的协作深度学习。程序。第21届ACM SIGKDD国际。Conf.知识发现数据挖掘（ACM，纽约），1235-1244.谷歌学者 [96] Wang H，Xingjian S，Yeung D-Y（2016a）协作递归自动编码器：在学习填空时推荐。Lee D、Sugiyama M、Luxburg U、Guyon I、Garnett R编辑。神经信息处理系统研究进展，第29卷（纽约州Red Hook市Curran Associates），415-423.谷歌学者 [97] Wang X、Donaldson R、Nell C、Gorniak P、Ester M、Bu J（2016b）使用用户组参与度和时间相关矩阵分解向用户推荐组。程序。第30届AAAI人工智能大会（AAAI出版社，加利福尼亚州帕洛阿尔托），1331-1337。https://dl.acm.org/doi/proceedings/10.5555/3015812谷歌学者 [98] Wang Y，Smola A，Maddix D，Gasthaus J，Foster D，Januschowski T（2019）预测深层因素。Chaudhuri K，Salakhutdinov R，编辑。国际。Conf.机器学习。（加州长滩PMLR），6607-6617.谷歌学者 [99] 魏文思（1994）时间序列分析（Addison-Wesley，马萨诸塞州雷丁）。谷歌学者 [100] Xiao B，Benbasat I（2007）电子商务产品推荐代理：使用、特征和影响。MIS夸脱。31（1）：137-209。Crossref，谷歌学者·doi:10.2307/25148784 [101] Xiong L，Chen X，Huang T-K，Schneider J，Carbonell JG（2010）基于贝叶斯概率张量因子分解的时间协同滤波。Goethals B、Kamath C、Liu B、Parthasarathy S、Pei J编辑。程序。第十届SIAM国际。Conf.数据挖掘（费城SIAM），211-222。谷歌学者 [102] Yu H-F，Rao N，Dhillon IS（2016）用于高维时间序列预测的时间正则化矩阵分解。Lee D、Sugiyama M、Luxburg U、Guyon I、Garnett R编辑。神经信息处理系统研究进展，第29卷（纽约州Red Hook市Curran Associates），847-855.谷歌学者 [103] 张毅，碧霞，唐宁，曲A（2021）动态张量推荐系统。J.机器学习。物件。22（65）:1-35.谷歌学者·Zbl 07370582号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。