×
李，盖;陈强

利用显性和隐性反馈进行个性化排名。 （英语） 兹比尔1400.68213

数学。问题。工程师。 2016年，文章ID 2535329，11 p.（2016）.
总结：以往关于个性化排名的研究存在的问题是，它们要么关注显式反馈数据，要么关注隐式反馈数据，而没有充分利用数据集中的信息。迄今为止，还没有人通过利用显性和隐性反馈来研究个性化排名算法。为了克服以往研究的不足，基于最新的xCLiMF模型和SVD++算法，提出了一种新的个性化排序算法（MERR SVD++），该算法同时利用了显式和隐式反馈，优化了著名的评价指标期望互易秩（ERR）。在实际数据集上的实验结果表明，在不同的评价指标上，我们提出的算法优于现有的个性化排序算法，并且MERR SVD++的运行时间与评分数呈线性相关。由于其高精度和良好的扩展性，MERR SVD++适合处理大数据，在互联网信息推荐领域具有广阔的应用前景。

引用于1文件

MSC公司：

68层35 人工智能语言和软件系统理论（基于知识的系统、专家系统等）
68T20型 人工智能背景下的问题解决（启发式、搜索策略等）

软件：

特征秩
PDF格式BibTeX公司 XML格式引用
\textit{G.Li}和\textit{Q.Chen}，数学。问题。Eng.2016，文章ID 2535329，11 p.（2016；Zbl 1400.68213）
全文： 内政部

参考文献：

[1] 阿多马维修斯，G。；Tuzhilin，A.，《走向下一代推荐系统：最先进和可能扩展的调查》，IEEE知识与数据工程学报，17，6，734-749，（2005）·doi:10.1109/tkde.2005.99
[2] Ahn，S。；科拉提卡拉，A。；Liu，N.，使用随机梯度MCMC的大规模分布式贝叶斯矩阵分解，第21届ACM SIGKDD知识发现和数据挖掘会议论文集，ACM出版社
[3] Balakrishnan，S。；Chopra，S.，协作排名，第五届ACM网络搜索和数据挖掘国际会议论文集（WSDM’12），IEEE·doi:10.1145/2124295.2124314
[4] 姚，Q。；郭，J.，《加速非精确软计算以快速完成大规模矩阵》，第24届国际人工智能联合会议论文集，美国计算机学会出版社
[5] 刁，Q。；邱，M。；吴春云。；Smola，A.J。；姜杰。；Wang，C.，《联合建模电影推荐方面、评分和情感》（JMARS），第20届ACM SIGKDD知识发现和数据挖掘国际会议论文集（KDD’14），ACM·doi:10.1145/2623330.2623758
[6] Jahrer先生。；Jahrer和Toscher，A.，排名的协同过滤集成，第17届知识发现和数据挖掘国际会议论文集，ACM
[7] 塔卡奇，G。；Takács和Tikk，D.，个性化排名的交替最小二乘法，第五届ACM推荐系统会议论文集，ACM
[8] 李·G。；Li，L.，基于隐含反馈的双协作主题建模，IEEE安全、模式分析和控制论国际会议论文集·doi:10.1109/SPAC.2014.6982723
[9] Wang，H。；施，X。；Yeung，D.，用于标签推荐的关系叠层去噪自动编码器，第29届AAAI人工智能会议论文集，ACM出版社
[10] Gai，L.，隐式反馈协同过滤的成对概率矩阵分解，IEEE安全、模式分析和控制论国际会议论文集（SPAC'14）·doi:10.1109/spac.2014.6982682
[11] 伦德尔，S。；弗洛伊登塔勒，C。；甘特纳，Z。；Schmidt-Thieme，L.，BPR：基于隐式反馈的贝叶斯个性化排名，第25届人工智能不确定性会议论文集（UAI'09），摩根·考夫曼
[12] 郭，L。；马，J。；江，H.R。；陈振明。；Xing，C.M.，《隐性反馈的社会信任感知项目推荐》，《计算机科学与技术杂志》，30，5，1039-1053，（2015）·doi:10.1007/s11390-015-1580-8
[13] 潘，W.K。；钟，H。；徐，C.F。；Ming，Z.，异构隐式反馈的自适应贝叶斯个性化排名，基于知识的系统，73，173-180，（2015）·doi:10.1016/j.knosys.2014.09.013
[14] Shi，Y。；卡拉佐格鲁，A。；巴尔特鲁纳斯，L。；Larson，M。；Oliver，N。；Hanjalic，A.，CLiMF:协作式less-is-more过滤，第23届国际人工智能联合会议论文集（IJCAI’13），ACM
[15] 潘，W.K。；Chen，L.，GBPR:基于群体偏好的贝叶斯个性化单级协同过滤排名，第23届国际人工智能联合会议论文集（IJCAI’13）
[16] Koren，Y.，《邻居中的因素：可扩展和准确的协同过滤》，《ACM从数据中发现知识的交易》，4，1，1-24，（2010）·数字对象标识代码：10.1145/1644873.1644874
[17] 刘，N.N。；Xiang，E.W。；赵，M。；Yang，Q.，统一协作过滤的显性和隐性反馈，第19届信息和知识管理国际会议论文集（CIKM’10），ACM·数字对象标识代码：10.1145/1871437.1871643
[18] Shi，Y。；卡拉佐格鲁，A。；巴尔特鲁纳斯，L。；Larson，M。；Hanjalic，A.，XCLiMF：优化具有多层次相关性的数据的预期互惠秩，第七届ACM推荐系统会议论文集（RecSys’13），ACM·数字对象标识代码：10.1145/2507157.2507227
[19] 姜杰。；卢，J。；张，G。；Long，G.，基于Hadoop的基于项目的协作过滤推荐算法，第七届IEEE世界服务大会论文集，IEEE·doi:10.1109/services.2011.66
[20] Hofmann，T.，协同过滤的潜在语义模型，ACM信息系统交易，22，1，89-115，（2004）·数字对象标识代码：10.1145/963770.963774
[21] Salakhutdinov，R。；Mnih，A。；Hinton，G.，《用于协作过滤的受限Boltzmann机器》，第24届机器学习国际会议论文集（ICML'07），ACM出版社
[22] 北斯雷布罗。；Rennie，J。；Jaakkola，T.，最大边缘矩阵分解，第18届神经信息处理系统年会论文集
[23] Liu，J.T。；Wu，C.H。；Liu，W.Y.，带社会关系和推荐项目内容的贝叶斯概率矩阵分解，决策支持系统，55，3，838-850，（2013）·doi:10.1016/j.dss.2013.04.002
[24] 费尔德曼，D。；Tassa，T.，更多的约束，更小的核心集：稀疏大数据的约束矩阵近似，第21届ACM SIGKDD知识发现和数据挖掘国际会议论文集（KDD'15），ACM出版社·数字对象标识代码：10.1145/2783258.2783312
[25] Mirisaee，S。；Gaussier，E。；Termier，A.，改进二进制矩阵分解的局部搜索，第29届AAAI人工智能会议论文集，ACM出版社
[26] Liu，T.Y.，《信息检索学习排名》，（2011），纽约州纽约市，美国：斯普林格市，纽约州，美国·Zbl 1227.68002号
[27] 刘，N.N。；赵，M。；杨强，协同过滤的概率潜在偏好分析，第18届信息与知识管理国际会议论文集（CIKM’09），ACM出版社·数字对象标识代码：10.1145/1645953.1646050
[28] 刘，N.N。；Yang，Q.，EigenRank:一种面向排名的协作过滤方法，第31届国际ACM SIGIR信息检索研究与开发会议论文集（ACM SIGIR’08），ACM·数字对象标识代码：10.1145/1390334.1390351
[29] Weimer，M。；卡拉佐格鲁，A。；Le，Q.V。；Smola，A.J.，CofiRank–协作排名的最大边际矩阵分解，第21届神经信息处理系统进展会议论文集，Curran Associates
[30] 沙佩尔，O。；Metlzer，D。；Zhang，Y。；Grinspan，P.，《等级相关性预期对等等级》，第18届ACM国际信息与知识管理会议（CIKM’09），ACM·数字对象标识代码：10.1145/1645953.1646033
[31] Voorhees，E.M.，trec-8问答跟踪报告，第八届文本检索会议论文集（trec-8'99）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。