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。


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)