文献

J-GLOBAL ID：201702263052186573   整理番号：17A0314401

陰的フィードバック協調フィルタリングのためのペアごと確率的行列因数分解【Powered by NICT】

Pairwise probabilistic matrix factorization for implicit feedback collaborative filtering

著者 (2件)： Li Gai (Department of Electronics and Information Engineering, Shunde Polytechnic, Foshan 528300, China) ,  Ou Weihua (School of Mathematics and Computer Science, Guizhou Normal University, Guiyang 550001, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 204  ページ： 17-25  発行年： 2016年09月05日 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 陰的フィードバック協調フィルタリングが協調フィルタリングの中に多くの注目を集めているが,これは1クラス協調フィルタリング(OCCF)と呼ばれている。低推薦精度と従来の方法の高コストは,実際のシナリオにおけるその一般化を妨げている。本論文では,RankRLSの利点を用いて対確率的行列因数分解(PPMF)と呼ばれる新しいモデルを開発した。PPMFモデルはPMF(確率的行列因数分解)と統合したRankRLSは品目のための相対的嗜好性を学習する。以前の研究とは異なり,PPFは,ランクづけの逆転の平均数を最小化するよりもむしろOCCF問題のための二値予測値のギャップを最大化する。一方,著者らは,ブートストラップサンプリングに基づく点確率的勾配降下アルゴリズムであり,以前の研究で使用した元の最適化手法よりもパラメータ学習のためのより有効なによるPPMFモデルを最適化することを提案した。二データセット上での実験を行い,PPFモデルは満足な性能を達成し,異なる評価尺度を使用することによって,最新の陰的フィードバック協調ランキングモデルより優れていることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 最適化 ,  アルゴリズム ,  嗜好性 ,  最適化手法 ,  *フィードバック ,  等級づけ
準シソーラス用語： 推奨システム ,  評価尺度 ,  パラメータ学習 ,  予測値 ,  *行列因数分解 ,  *協調フィルタリング , 【Automatic Indexing@JST】

著者キーワード (5件)： 推奨システム ,  協調フィルタリング ,  協調ランキング ,  陰的フィードバック ,  確率的行列因数分解

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： フィードバック ,  協調フィルタリング ,  確率 ,  行列因数分解