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，将Eigentaste与其他算法进行比较。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。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH中的参考文献（参考 59篇文章

显示第1到第20个结果，共59个。
按年份排序(引用)
  1. Filos Ratsikas，Aris；Micha，Evi；Voudouris，Alexandros A.：分布式投票的扭曲（2020）
  2. 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
  3. Del Corso，Gianna M.；Romani，Francesco:推荐系统的自适应非负矩阵分解和度量比较（2019）
  4. 冯月华；肖建伟；顾明：触发器谱的QR分解及其在奇异值分解中的应用（2019）
  5. Nath，Swaprava；Sandholm，Tuomas：一般准线性领域的效率和预算平衡（2019年）
  6. Sato，Hiroyuki；Kasai，Hiroyuki；Mishra，Bamdev:Riemannan随机方差缩减梯度算法，带收缩和向量传输（2019）
  7. 毕璇；屈安妮；沈晓彤：多层张量分解及其在推荐系统中的应用（2018）
  8. Khetan，Ashish；Oh，Sewoong:广义排名破坏：计算和统计权衡（2018）
  9. 萨罕，内加班；哦，苏洪；库姆帕拉皮尔，基兰K.；徐嘉明：从比较和选择中学习（2018）
  10. 石晓宇；商明胜；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）
  11. Zhang，Zhipeng；Kudo，Yasuo；Murai，Tetsuya:基于覆盖粗糙集的用户协同过滤邻居选择（2017）
  12. Adomavicius，Gediminas；Zhang，Jingjing:推荐算法的分类、排名和top-K稳定性（2016）ioport公司
  13. Carmel，Yuval；Patt Shamir，Boaz:基于比较的交互式协作过滤（2016）
  14. Hautamäki，Antti:观点：概念空间方法（2016）
  15. 金正芬；万中平；焦玉玲；吕锡良：非凸低阶极小化的连续交替方向法（2016）
  16. Nath，Swaprava；Sandholm，Tuomas：效率与预算平衡（2016）
  17. Boutilier，Craig；Caragiannis，Ioannis；Haber，Simi；Lu，Tyler；Procaccia，Ariel D.；Sheffet，Or:最优社会选择函数：功利主义观点（2015）
  18. Carmel，Yuval；Patt Shamir，Boaz:基于比较的交互式协作过滤（2015）
  19. Dikow，Heidi；Hasan，Omar；Kosch，Harald；Brunie，Lionel；Sornin，Renaud：通过评级专家专业预测提高企业对企业（B2B）声誉系统的准确性（2015年）ioport公司
  20. 耿娟；王来生；王燕飞：一个基于DC规划和DCA的矩阵完备化非凸算法框架（2015）