摘要
补充材料
G.Adomavicius和A.Tuzhilin。 迈向下一代推荐系统:对最先进技术和可能扩展的调查。 IEEE传输。 在Knowl上。 和数据工程,2005年17月。 谷歌学者 数字图书馆 S.S.Anand和N.Griffiths。 解决新产品问题的基于市场的方法。 RecSys,2011年。 谷歌学者 数字图书馆 S.Bhagat、A.Goyal和L.V.S.Lakshmanan。 最大限度地提高社交网络中的产品采用率。 WSDM,2012年。 谷歌学者 数字图书馆 W.Chen、Y.Wang和S.Yang。 社交网络中的有效影响力最大化。 KDD,2009年。 谷歌学者 数字图书馆 P.Domingos和M.Richardson。 挖掘客户的网络价值。 KDD,2001年。 谷歌学者 数字图书馆 K.Y.Goldberg等人。Eigentaste:一种恒定时间协同过滤算法。 信息检索。, 4(2), 2001. 谷歌学者 数字图书馆 J.D.Hartline等人,《社交网络上的最佳营销策略》。 WWW,2008年。 谷歌学者 数字图书馆 J.哈斯塔德。 集团很难在n以内近似 1∈ 《FOCS》,1996年。 谷歌学者 数字图书馆 J.L.Herlocker等人,《执行协同过滤的算法框架》,SIGIR,1999年。 谷歌学者 数字图书馆 D.Kempe、J.M.Kleinberg和。 塔尔多斯。 通过社交网络最大化传播影响力。KDD,2003年。 谷歌学者 数字图书馆 X.N.Lam等人。解决推荐系统中的冷启动问题。 ICUIMC,2008年。 谷歌学者 数字图书馆 B.Mobasher等人。面向可信推荐系统:攻击模型和算法鲁棒性分析。 ACM事务处理。 互联网技术,7(4),2007年。 谷歌学者 数字图书馆 A.Rashid、G.Karypis和J.Riedl。 基于评级的推荐系统中的影响:一种算法相关方法。 在SDM,2005年。 谷歌学者 交叉引用 F.Ricci、L.Rokach、B.Shapira和P.B.Kantor,编辑。 推荐系统手册。 施普林格,2011年。 谷歌学者 数字图书馆 B.Sarwar、G.Karypis、J.Konstan和J.Reidl。 基于项目的协同过滤推荐算法。 WWW,2001年。 谷歌学者 数字图书馆 G.Takács等人。netflix prize问题的矩阵分解和基于邻居的算法。 RecSys,2008年。 谷歌学者 数字图书馆 J.Wang、A.P.de Vries和M.J.T.Reinders。 通过相似性融合统一基于用户和基于项目的协同过滤方法。 SIGIR,2006年。 谷歌学者 数字图书馆
建议
一个可扩展、准确的混合推荐系统 WKDD’10:2010年第三届知识发现和数据挖掘国际会议记录 推荐系统应用机器学习技术过滤看不见的信息,并可以预测用户是否喜欢给定的资源。 推荐系统主要有三种类型:协同过滤、基于内容的过滤和。。。