本征味觉

特征味觉:一种恒定时间协同过滤算法。Eigentaste是一种协作过滤算法,它使用通用查询来获取一组公共项的真实值用户评级,并将主成分分析(PCA)应用于评级矩阵的密集子集。PCA有助于用户离线聚类的降维和快速计算推荐。对于一个拥有$n$个用户的数据库,标准的最近邻技术需要$O(n)$处理时间来计算建议,而Eigentaste需要$O(1)$(常量)时间。我们使用Jester(一个在线笑话推荐系统)的数据比较了特征味觉和其他算法。ParJester已经从57000名用户中收集了大约2500000个评级。我们使用归一化平均绝对误差(NMAE)来比较不同算法的性能。在附录中,当预测是随机的时,我们使用均匀分布和正态分布模型来推导NMAE的解析估计。在Jester数据集上,Eigentaste在不损失精度的情况下,可以更快地计算两个数量级的建议。杰斯特在线:http://eigentaste.berkeley.edu。


zbMATH中的参考文献(参考文献66条)

显示第1到第20个结果,共66个。
按年份排序(引用)
  1. 克洛尔,克里斯蒂安;佩萨霍维奇,亚历山大;索多姆卡,埃里克;Stier Moses,Nicolas E.:使用抽象计算大市场均衡(2022)
  2. 恩吉,格雷格;皮门特尔·阿拉克松,丹尼尔;巴尔扎诺,劳拉;威利特,丽贝卡;Nowak,Robert D.:非线性矩阵完备化的张量方法(2021)
  3. 萨根,四月;Mitchell,John E.:非凸正则化秩最小化的低秩分解(2021)
  4. 菲洛斯·拉特西卡斯,阿里斯;米查,埃维;Voudouris,AlexandrosA:分布式投票的扭曲(2020)
  5. Rohan Anand,Joeran Beel:自动惊喜:自动推荐系统(AutoRecSys)库,带有Parzens树估计(TPE)优化(2020)阿尔十四
  6. 王、杨;韩立新:基于时间的网络推理个性化推荐(2020)
  7. 王、余;碧萱;Qu,Annie:多项式响应推荐系统的logistic分解模型(2020)
  8. 德尔科索,吉安娜·M。;Romani,Francesco:推荐系统的自适应非负矩阵分解和度量比较(2019)
  9. 冯月华;肖建伟;顾明:揭示QR分解的触发器谱及其在奇异值分解中的应用(2019)
  10. 郭桃林;罗俊洲;东,凯;杨明:基于局部差异私人项目的协同过滤(2019)
  11. 金正芬;万中平;张志勇:用严格压缩的和平人Rachford分裂法恢复损坏的低秩矩阵(2019)
  12. 纳特,斯瓦普拉瓦;Sandholm,Tuomas:一般准线性领域的效率和预算平衡(2019)
  13. 佐藤,弘玉;Kasai,Hiroyuki;Mishra,Bamdev:带收缩和向量传输的黎曼随机方差缩减梯度算法(2019)
  14. 碧萱;屈安妮;沈晓彤:多层张量分解及其在推荐系统中的应用(2018)
  15. 希坦、阿什什;哦,Sewoong:广义排名破坏:计算和统计权衡(2018)
  16. 南加哈班,萨罕;哦,西翁;库姆帕拉皮尔,基兰K。;徐嘉明:从比较和选择中学习(2018)
  17. 史晓宇;商、明生;罗欣;库什诺德,阿巴斯;李健:面向用户偏好的推荐方法对在线系统演化的长期影响(2017)
  18. 张志鹏;工藤康夫;Murai,Tetsuya:基于覆盖粗糙集的用户协同过滤邻居选择(2017)
  19. 阿多马维修斯,基迪米纳斯;张晶晶:推荐算法的分类、排名和top-K稳定性(2016)ioport公司
  20. 卡梅尔,尤瓦;Patt Shamir,Boaz:基于比较的交互式协作过滤(2016)