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。

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）