Найсучасніша у спільній фільтрації

Я працюю над проектом спільної фільтрації (CF), тобто заповнюю частково спостережувану матрицю або загалом тензор. Я новачок у цій галузі, і для цього проекту в кінцевому підсумку я повинен порівняти наш метод з іншими відомими, які сьогодні пропонуються запропоновані методи проти них, а саме - найсучасніші у КФ.

Мій пошук виявив такі методи. Дійсно, я натрапив на них, переглянувши деякі з цих робіт та їх посилання, або переглянувши розділ експериментів, коли вони роблять порівняння. Я був би радий дізнатися про новий запропонований метод і порівняти його з SoTA, що з наступного було б хорошим вибором для цього? Якби не серед них, я був би радий знати хорошого представника.

На основі матричної факторизації:

1. Зважене наближення низького рангу (ICML 2003)
2. Моделювання профілів рейтингу користувачів для спільної фільтрації (NIPS 2003)
3. Множинна мультиплікативна факторна модель для спільної фільтрації (ICML 2004)
4. Швидка максимальна факторизація матриці маржі для спільного прогнозування (ICML 2005)
5. Імовірнісна матрична факторизація (NIPS 2007)
6. Байєсівська ймовірнісна матрична факторизація (ICML 2008)
7. Моделі латентного фактора на основі регресії (KDD 2009)
8. Нелінійна матрична факторизація з Гауссовими процесами (ICML 2009)
9. Динамічна факторизація отруєнь (Конференція ACM щодо систем рекомендацій 2015)

На основі тензорної факторизації:

1. Включення контекстної інформації в системи рекомендацій, що використовують багатовимірний підхід (транзакції ACM на інформаційних системах (TOIS) 2005)
2. Байєсівська ймовірнісна тензорна факторизація (SIAM Data Mining 2010)
3. Завершення тензора низького рангу за допомогою риманової оптимізації (BIT Numerical Mathematics 54.2 (2014))

Ви також можете ознайомитись з документом GRS ( Система рекомендацій щодо гравітації ), який також стосується Матричної факторизації. Автори змагалися з використанням цього алгоритму у відомій премії Netflix.