Je travaille sur un projet de filtrage collaboratif (CF), c'est-à-dire compléter une matrice partiellement observée ou plus généralement tenseur. Je suis un débutant dans le domaine, et pour ce projet, je dois finalement comparer notre méthode à d'autres méthodes bien connues qui, de nos jours, comparent les méthodes proposées, à savoir l'état de l'art en matière de FC.
Ma recherche a révélé les méthodes suivantes. En effet, je les ai rencontrés en consultant certains de ces articles et leurs références, ou en consultant la section des expériences lorsqu'ils effectuent des comparaisons. Je serais heureux de savoir pour une nouvelle méthode proposée et de faire une comparaison avec SoTA, lequel des éléments suivants serait un bon choix pour le faire? Sinon, je serais heureux de connaître un bon représentant.
Basé sur la factorisation matricielle:
- Approximation pondérée de bas rang (ICML 2003)
- Modélisation des profils d'évaluation des utilisateurs pour le filtrage collaboratif (NIPS 2003)
- Le modèle à facteurs multiplicatifs multiples pour le filtrage collaboratif (ICML 2004)
- Factorisation de matrice de marge maximale rapide pour la prédiction collaborative (ICML 2005)
- Factorisation factorielle probabiliste (NIPS 2007)
- Factorisation de la matrice probabiliste bayésienne (ICML 2008)
- Modèles de facteurs latents basés sur la régression (KDD 2009)
- Factorisation matricielle non linéaire avec des processus gaussiens (ICML 2009)
- Dynamic Poission Factorization (Conférence ACM sur les systèmes de recommandation 2015)
Basé sur la factorisation des tenseurs:
- Intégration d'informations contextuelles dans les systèmes de recommandation à l'aide d'une approche multidimensionnelle (ACM Transactions on Information Systems (TOIS) 2005)
- Factorisation factorielle probabiliste bayésienne (SIAM Data Mining 2010)
- Achèvement du tenseur de bas rang par optimisation riemannienne (BIT Numerical Mathematics 54.2 (2014))
Réponses:
Vous pouvez également jeter un coup d'œil sur le document du système de recommandation de la gravité (GRS), qui traite également de la factorisation matricielle. Les auteurs ont concouru en utilisant cet algorithme dans le cadre du prix Netflix bien connu.
la source