摘要
查鲁·C·阿加瓦尔。 2016.推荐系统:教科书(第1版)。 斯普林格。 谷歌学者 交叉引用 弗朗西斯科·里奇(Francesco Ricci)、利奥尔·罗卡奇(Lior Rokach)和布拉查·夏皮拉(Bracha Shapira)。 2011.推荐系统手册简介。 Springer US,马萨诸塞州波士顿,1-35。 内政部: http://dx.doi.org/10.1007/978-0-387-85820-3_1 谷歌学者 数字图书馆 伊桑枪手、奇汉·卡莱利、阿尔珀·比尔奇和胡塞因·波拉特。 2014.针对推荐系统的先令攻击:综合调查。 《人工智能评论》42,4(2014年12月),767-799。 内政部: http://dx.doi.org/10.1007/s10462-012-9364-9 谷歌学者 数字图书馆 泽维尔·阿马特里安(Xavier Amatriain)、约塞普·普约尔(Josep M.Pujol)和努里亚·奥利弗(Nuria Oliver)。 2009年。我喜欢……我不喜欢:在推荐系统中评估用户评级噪音。 在用户建模、自适应和个性化中。 Geert-Jan Houben、Gord McCalla、Fabio Pianesi和Massimo Zancanaro(编辑)。 柏林施普林格,247-258。 谷歌学者 Xavier Amatriain、Joseph Pujol、Nava Tintarev和Nuria Oliver。 2009年。再次评分:通过用户重新评分提高推荐准确性。 第三届ACM推荐系统会议记录。 173–180. 内政部: http://dx.doi.org/10.1145/1639714.1639744 谷歌学者 数字图书馆 迈克尔·奥马霍尼(Michael O'Mahony)、尼尔·赫尔利(Neil Hurley)和盖诺尔·西尔维斯特(Guenole Silvestre)。 2006.检测推荐系统数据库中的噪音。 第十一届智能用户界面国际会议论文集。 109–115. 内政部: http://dx.doi.org/10.11145/1111449.1111477 谷歌学者 数字图书馆 Jonathan L.Herlocker、Joseph A.Konstan、Loren G.Terveen和John T.Riedl。 2004.评估协同过滤推荐系统。 ACM信息系统交易22,1(2004年1月),5-53。 内政部: http://dx.doi.org/10.1145/9963770.963772 谷歌学者 数字图书馆 Wissam Al-Jurdi、Miriam El-Khoury Badran、Chady Abou Jaoude、Jacques Bou Abdo、Jacques-Demerjian和Abdallah Makhoul。 2018.推荐系统的Serendipity-aware噪音检测系统。 《信息和知识工程学报》。 谷歌学者 Raciel Yera Toledo、YailéMota和Luis Martinez。 2015年,纠正协作推荐系统中的噪音评级。 基于知识的系统76(2015),96-108。 内政部: http://dx.doi.org/10.1016/j.knosys.2014.12.011 谷歌学者 数字图书馆 李斌、陈凌、朱星泉和张成琦。 2013年,在社交推荐系统中检测到噪音较大但非恶意的用户。 万维网16(2013),677–699。 内政部: http://dx.doi.org/10.1007/s11280-012-0161-9 谷歌学者 数字图书馆 威尔·希尔、拉里·斯特德、马克·罗森斯坦和乔治·福纳斯。 1995.在虚拟使用社区中推荐和评估选择。 《SIGCHI计算机系统人为因素会议论文集》(CHI'95)。 ACM出版社/Addison-Wesley Publishing Co.,纽约州纽约市,194-201年。 内政部: http://dx.doi.org/10.1145/223904.223929 谷歌学者 数字图书馆 豪尔赫·卡斯特罗·加拉多(Jorge Castro Gallardo)、拉西尔·耶拉·托莱多(Raciel Yera Toledo)和路易斯·马丁内斯(Luis Martinez)。 2017年。团体推荐系统中自然噪声管理的模糊方法。 《应用专家系统》94(2017),237-249。 内政部: http://dx.doi.org/10.1016/j.eswa.2017.10.060 谷歌学者 J.Bobadilla、F.Ortega、A.Hernando和A.GutiéRrez。 2013.推荐系统调查。 基于知识的系统46(2013年7月),109-132。 内政部: http://dx.doi.org/10.1016/j.knosys.2013.03.012 谷歌学者 路易斯·马丁内斯、豪尔赫·卡斯特罗·加拉多和拉希尔·耶拉·托莱多。 2016年,管理推荐系统中的自然噪音。 第五届自然计算理论与实践国际会议论文集。 3–17.内政部: http://dx.doi.org/10.1007/978-3-319-49001-4_1 谷歌学者 交叉引用 2019年,Sujoy Bag、Susanta Kumar、Anjali Awasthi和Manoj Tiwari。 一种基于噪声校正的方法,用于在高度稀疏的评级环境中支持推荐系统。 决策支持系统118(2019),46–57。 内政部: http://dx.doi.org/10.1016/j.dss.2019.01.001 谷歌学者 数字图书馆 Daniel Kluver、Tien T.Nguyen、Michael Ekstrand、Shilad Sen和John Riedl。 2012.每个等级多少位?。 第六届ACM推荐系统会议记录(RecSys’12)。 ACM,纽约州纽约市,99–106。 内政部: http://dx.doi.org/10.1145/2365952.2365974 谷歌学者 数字图书馆 Alan Said、Brijnesh J.Jain、Sascha Narr、Till Plumbaum、Sahin Albayrak和Christian Scheel。 2012.评估推荐系统的魔法屏障:一项用户研究。 第35届国际ACM SIGIR信息检索研究与开发会议论文集(SIGIR’12)。 ACM,纽约州纽约市,1061-1062年。 内政部: http://dx.doi.org/10.1145/2348283.2348469 谷歌学者 数字图书馆 Alejandro Bellogín、Alan Said和Arjen P.de Vries。 2014.推荐系统的魔法屏障——没有魔法,只有评级。 在用户建模、自适应和个性化中。 Vania Dimitrova、Tsvi Kuflik、David Chin、Francesco Ricci、Peter Dolog和Geert-Jan Houben(编辑)。 施普林格国际出版社,商会,25-36。 谷歌学者 Alan Said、Brijnesh Jain、Sascha Narr和Till Plumbaum。 2012.用户和噪音:推荐系统的魔法屏障。 《用户建模、适应和个性化国际会议论文集》。 内政部: http://dx.doi.org/10.1007/978-3642-31454-4_20 谷歌学者 数字图书馆 阿兰·赛义德和亚历杭德罗·贝洛金。 2018.评级行为的一致性和不一致性:评估推荐系统的魔法屏障。 用户建模和用户自适应交互28,2(2018)。 内政部: http://dx.doi.org/10.1007/s11257-018-9202-0 谷歌学者 余彭华、林兰芬、姚远刚。 2016.处理推荐系统中用户行为数据的数量和质量的新框架。 第17届网络时代信息管理国际会议论文集。 231–243. 内政部: http://dx.doi.org/10.1007/978-3-319-39937-9_18 谷歌学者 交叉引用 罗伯托·赛亚(Roberto Saia)、卢多维科·博拉托(Ludovico Boratto)和萨尔瓦多宪章(Salvatore Carta)。 2016。一种从用户配置文件中删除不连贯项目并提高推荐系统准确性的语义方法。 《智能信息系统杂志》47,1(2016年8月),111-134。 内政部: http://dx.doi.org/10.1007/s10844-016-0406-7 谷歌学者 数字图书馆 罗伯托·赛亚(Roberto Saia)、卢多维科·博拉托(Ludovico Boratto)和萨尔瓦多宪章(Salvatore Carta)。 2014.推荐系统背景下基于语义一致性的用户配置文件建模,《知识发现和信息检索国际会议论文集》。 内政部: http://dx.doi.org/10.5220/0005041401540161 谷歌学者 数字图书馆 Raciel Yera Toledo、Luis Martinez和Yaile Mota。 2013年,管理协作推荐系统中的自然噪音。 在2013年IFSA世界联合大会和NAFIPS年会的会议记录中。 872–877. 内政部: http://dx.doi.org/10.1109/IFSA-NAFIPS.2013.6608515 谷歌学者 交叉引用 豪尔赫·卡斯特罗·加拉多(Jorge Castro Gallardo)、拉西尔·耶拉·托莱多(Raciel Yera Toledo)和路易斯·马丁内斯(Luis Martinez)。 2017年。团体推荐系统中自然噪声管理的实证研究。 决策支持系统94(2017),1-11。 内政部: http://dx.doi.org/10.1016/j.dss.2016.09.020 谷歌学者 数字图书馆 图恩·佩西默(Toon Pessemier)、西蒙·杜姆斯(Simon Dooms)和吕克·马滕斯(Luc Martens)。 2014.群组推荐算法比较。 多媒体工具和应用72,3(2014年10月),2497–2541。 内政部: http://dx.doi.org/10.1007/s11042-013-1563-0 谷歌学者 数字图书馆 拉西尔·耶拉、豪尔赫·卡斯特罗和路易斯·马丁内斯。 2016年,推荐系统中管理自然噪声的模糊模型。 应用软件计算40,C(2016年3月),187-198。 内政部: http://dx.doi.org/10.1016/j.asoc.2015.10.60 谷歌学者 R.Latha和R.Nadrajan。 2015年,推荐系统中基于排名的噪音处理方法。 第八届多媒体通信、服务和安全国际会议记录。 46–58.内政部: http://dx.doi.org/10.1007/978-3-319-26404-2_4 谷歌学者 Raciel Yera Toledo和Luis Martinez。 2017.推荐系统中的模糊工具:调查。 国际计算智能系统杂志10(2017),776–803。 内政部: http://dx.doi.org/10.2991/ijcis.2017.10.1.52 谷歌学者 交叉引用 Priyankar Choudhary、Vibhor Kant和Pragya Dwivedi。 2017.利用有效的相似性度量和粒子群优化在多准则推荐系统中处理自然噪声。 Procedia Computer Science 115,C(2017年11月),853–862。 内政部: http://dx.doi.org/10.1016/j.procs.2017.09.168 谷歌学者 弗朗西斯科·里奇(Francesco Ricci)、利奥尔·罗卡奇(Lior Rokach)和布拉查·夏皮拉(Bracha Shapira)。 2010年。推荐系统手册。 第1-35卷。 施普林格,1-35。 内政部: http://dx.doi.org/10.1007/978-0-387-85820-3_1 谷歌学者 赞黄、陈新春和曾荫权。 2004年。应用关联检索技术缓解协同过滤中的稀疏性问题。ACM信息系统汇刊22,1(2004年1月),116-142。 内政部: http://dx.doi.org/10.1145/963770.963775 谷歌学者 数字图书馆 Bidyut Kr.Patra、Raimo Launonen、Ville Ollikainen和Sukumar Nandi。 2015.使用Bhattacharyya系数对稀疏数据进行协同过滤的新相似性度量。 基于知识的系统82,C(2015年7月),163-177。 内政部: http://dx.doi.org/10.1016/j.knosys.2015.03.001 谷歌学者 拉西尔·耶拉·托莱多(Raciel Yera Toledo)、豪尔赫·卡斯特罗·加拉多(Jorge Castro Gallardo)和路易斯·马丁内斯(Luis Martinez)。 2020年。使用模糊工具在推荐系统中进行自然噪声管理。 施普林格,1-24。 内政部: http://dx.doi.org/10.1007/978-3-030-23760-8_1 谷歌学者 郝宣芬(Hau Xuan Pham)和贾森·荣格(Jason J.Jung)。 2013.交互式推荐系统的基于偏好的用户评级修正过程。 多媒体工具和应用65,1(2013年7月),119–132。 内政部: http://dx.doi.org/10.1007/s11042-012-1119-8 谷歌学者 数字图书馆 宣浩芬(Xuan Hau Pham)、贾森·荣格(Jason J.Jung)和Ngoc-Thanh Nguyen。 2012年,在交互式推荐系统中集成多个专家进行纠正过程。 计算集体智能。 技术和应用。 Ngoc-Thanh Nguyen、Kiem Hoang和Piotr Jedrzejowicz(编辑)。 施普林格,柏林,31-40。 谷歌学者 Wei Zhou、Junhao Wen、Yun Sing Koh、Qingyu Xiong、Min Gao、Gillian Dobbie和Shafiq Alam。 2015.基于目标项分析的推荐系统中的Shilling攻击检测。 公共科学图书馆one 10,7(2015),e0130968。 内政部: http://dx.doi.org/10.1371/journal.pone.0130968 谷歌学者 交叉引用 乔兰·贝尔。 2019.“优胜者是……Movielens”——关于推荐系统数据集的受欢迎程度。 2020年7月19日检索自 https://www.scss.tcd.ie/joeran.beel/blog/2019/08/03/and-the-winner-is-movielens-on-the-popularity-of-recommitder-system-datasets/ 谷歌学者 拉米斯·哈萨尼耶(Lamis Hassanieh)、查迪·阿布·贾乌德(Chady Abou Jaoude)、雅克·布·阿卜多(Jacques Bou abdo)和雅克·德默金(Jacques-Demerjian)。 2018.协同过滤推荐系统的相似性度量。 2018年IEEE中东和北非通信会议记录。 1-5.内政部: http://dx.doi.org/10.109/MENACOMM.2018.8371003 谷歌学者 交叉引用 赵彤、于连、牛建伟和向龙。 2017。一种基于用户关系和自然噪声的新型评级预测方法。 多媒体工具和应用77(2017),4171–4186。 内政部: http://dx.doi.org/10.1007/s11042-017-4481-8 谷歌学者 交叉引用 米丽亚姆·巴德兰(Miriam Badran)、雅克·布·阿卜多(Jacques Bou abdo)、维萨姆·尤尔迪(Wissam Al-Jurdi)和雅克·德默建(Jacques-Demerjian)。 2019.推荐系统的自适应意外发现:让它找到你。 第11届国际智能体与人工智能会议论文集。 739–745. 内政部: http://dx.doi.org/10.5220/0007409507390745 谷歌学者 交叉引用 2019年,李东生、陈超、龚志林、陆屯、朱棣文和顾宁。 带噪音分级的协作过滤。 2019年SIAM国际数据挖掘会议记录。 747–755. 内政部: http://dx.doi.org/10.1137/1.9781611975673.84 谷歌学者 交叉引用 S.K.、Kishan Kalitkar、G.Subba和Rao。 2015。脑MRI图像降噪方法综述。 2015年信号处理和通信工程系统国际会议论文集。 内政部: http://dx.doi.org/10.109/SPACES.2015.7058284 谷歌学者 维多利亚·洛佩斯、阿尔贝托·费尔南德斯、萨尔瓦多·加西亚、瓦西尔·帕拉德和弗朗西斯科·埃雷拉。 2013年,对不平衡数据分类的洞察:使用数据内在特征的经验结果和当前趋势。 信息科学250(2013),113–141。 内政部: http://dx.doi.org/10.1016/j.ins.2013.07.007 谷歌学者 交叉引用
建议
推荐系统中的偶发事件调查 我们总结了推荐系统中关于意外发现的大多数工作。 我们比较了推荐系统中意外发现的定义。 我们对最先进的面向偶发事件的推荐算法进行了分类。 我们回顾了在……中评估偶发事件的方法。。。 基于真实用户反馈的推荐系统中的意外发现研究 SAC’18:第33届ACM应用计算年会会议记录 在过去几年里,推荐系统的研究强调了意外发现的重要性,但对这一概念的定义仍没有达成共识,是否应该推荐意外发现的项目仍然不是一个很好的选择。。。 获取推荐系统的用户信息需求 2013年IEEE/WIC/ACM网络智能(WI)和智能代理技术(IAT)国际联合会议记录第03卷 大多数推荐系统尝试使用协作过滤、基于内容的过滤或混合方法向新用户推荐项目。 协作过滤根据相似的邻居向新用户推荐项目,并基于内容。。。