本征味觉

特征味觉：一种恒定时间协同过滤算法。将用户偏好矩阵的一个重要值集（主成分分析）应用于一个共同的用户兴趣集的特征值过滤算法。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参考文献（57篇文章引用）

显示第1到第20个结果，共57个。
按年份排序(引用)
  1. 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）
  2. 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）
  3. Nath，Swaprava；Sandholm，Tuomas：一般准线性领域的效率和预算平衡（2019年）
  4. 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）
  5. 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）
  6. Khetan，Ashish；Oh，Sewoong:广义排名破坏：计算和统计权衡（2018）
  7. 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）
  8. 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）
  9. 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）
  10. 《Dimidous，Tang-stability》和《Dimidous-stability》杂志（2016年，Dimidous，stability）推荐算法ioport公司
  11. Carmel，Yuval；Patt Shamir，Boaz:基于比较的交互式协作过滤（2016）
  12. Hautamäki，Antti:观点：概念空间方法（2016）
  13. 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）
  14. Nath，Swaprava；Sandholm，Tuomas：效率与预算平衡（2016）
  15. 《实用功能》（Or Utilitial functions，Carani，2015年；social choice，Carani；social choice，Carani；social choice；social choice；social choice，Carani，Shennier，2015年）
  16. Carmel，Yuval；Patt Shamir，Boaz:基于比较的交互式协作过滤（2015）
  17. 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
  18. 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）
  19. Nguyen，Duc Anh；Duong，Trong Hai：社交电视环境下使用神经模糊的视频推荐（2015）ioport公司
  20. 王，郑；赖明军；陆，肇松；范，卫；达武尔库，哈桑；叶洁平：低秩矩阵完成的正交秩一矩阵追求（2015）