张量分解推荐算法、异构隐式反馈、社会信息正则化、数据稀疏性、协同过滤算法、用户行为分析、个性化推荐系统、隐式反馈推荐系统、用户-物品矩阵、信任关系、电子商务行为、推荐系统性能提升 隐式反馈推荐系统在现今推荐系统领域中占据着重要地位。传统的基于隐式反馈的推荐算法主要依赖于用户与物品之间的互动行为，如点击、想要、购买等，这些数据反映了用户的潜在偏好。然而，这类算法往往无法充分利用这些异构的隐式反馈数据，尤其在数据稀疏性问题较为严重的情况下，推荐准确性受到影响。 张文颖和李汶华的这篇论文提出了一种基于张量分解的推荐算法，该算法特别利用了异构隐式反馈，通过分析用户、物品以及用户行为之间的隐含依赖性来克服用户-物品矩阵的限制。这一算法不仅关注用户的行为，还将社会信息作为正则化项，以获得用户与其朋友之间的信任关系。通过在真实数据集上的实验，该推荐算法被证实比其他对比方法表现更好，有效地提升了推荐系统的性能。 推荐系统是帮助用户从海量信息中筛选出个性化内容的重要工具，以防止信息过载问题。推荐系统主要基于协同过滤技术，该技术利用用户和物品之间的互动数据来预测用户偏好，并实现推荐任务。根据用户互动数据的不同，协同过滤算法可以分为基于明确反馈的协同过滤和基于隐式反馈的协同过滤。在基于明确反馈的协同过滤中，用户使用精确的数据信息来描述对物品的偏好，这在传统推荐系统中被广泛使用。对于隐式反馈，用户行为数据则被用来作为反馈信息，这些行为数据虽然没有明确的评分，但可以通过算法模型解读出用户的潜在偏好。 数据稀疏性是推荐系统面临的一个主要问题。在有大量用户和物品的情况下，用户与物品的互动往往非常有限，导致用户-物品矩阵中大部分数据是未知的。为了解决这个问题，研究者们尝试开发了各种推荐算法，包括利用矩阵分解技术来揭示潜在的用户和物品特征，并尝试通过引入其他类型的信息来提升推荐的准确度。 在这篇论文中，张文颖和李汶华的研究重点是提出一种新的张量分解算法来使用异构隐式反馈。张量分解是一种多维数据分析方法，能够处理比矩阵更高维度的数据结构。在此基础上，他们提出了包含三个维度的张量模型，分别是用户、物品和用户的行为。通过这种张量分解，算法能够揭示出用户、物品和行为之间复杂的隐含依赖关系。此外，他们还考虑了社交信息作为正则化项，这有助于构建用户之间的信任关系，以进一步提升推荐系统的性能。 在实际应用中，电子商务网站是应用推荐系统的一个典型场景，用户的行为数据（如点击、购买、浏览等）都可用于推荐系统中。通过推荐系统，用户可以更加方便地找到自己感兴趣的商品，商家也能更有效地向用户推送符合其需求的商品，从而提高销售业绩。然而，由于用户在网上的行为数据并不总是完整的，这就要求推荐算法必须能够处理这些不完整或不明确的用户数据，以得到更准确的推荐结果。使用基于张量分解的推荐算法可以更好地处理用户在电子商务网站上的各种行为数据，通过挖掘用户的行为模式和潜在需求来提供更个性化的推荐。 通过社会信息的整合，推荐系统还可以考虑用户的社会网络，利用社会关系的影响力来提升推荐的相关性。这种社会正则化方法能够将用户的社会关系纳入推荐模型，从而使得推荐结果更加符合用户的社交圈影响和个性特征。 这篇论文通过提出一种新的基于张量分解的推荐算法，有效地利用了异构隐式反馈，通过挖掘用户行为数据的深层次信息，提升了推荐系统的性能，尤其在数据稀疏的情况下显示出了更好的推荐效果。这一研究对于推动推荐系统的进一步发展具有重要的理论价值和实际应用前景。

DSCI 553：数据挖掘的基础和应用 作业概述 这项任务的目的是使您熟悉A-Prior，MinHash，本地敏感哈希（LSH）和不同类型的推荐系统。 数据 数据集主页： : 您可以使用小型数据集进行开发。 包括数据集的副本，以及拆分的训练和测试数据。 任务任务1：查找有趣的关联规则 用户对电影的评分存储在rating.csv中。 回顾基于市场的模型。 用户给予5.0评级的电影集可以视为购物篮。 任务：在这些购物篮中找到关联规则{1，2，⋯，}→，使得interest≥和support≥S .并且是movieId 。 笔记： 在此任务中仅考虑5.0评级。 您应该使用像A-Prior方法这样的高效算法。 尽管兴趣可能是正面的或负面的，但这里只考虑正面的兴趣 为了简化计算，将支持阈值应用于。 在教科书中，仅支持该支持。 j必须是单个元素。 等级： 总共20分 这是确定性

train.csv：训练集、test.csv：测试集 historical_transactions.csv：信用卡(card_id)在给定商家的历史交易记录，对于每张信用卡，最多包含其三个月的交易记录 new_merchant_transactions.csv：每张信用卡在新商家的购物数据，最多包含两个月的数据(字段说明同上) merchants.csv：数据集所有商家(商家id)的附加信息

:high_voltage: 放克 funk-svd是一个Python 3库，实现了著名的SVD算法的快速版本，该算法在竞赛中由Simon Funk。 用于加速算法，使我们的运行速度比的Cython实现（参考）快10倍以上。 电影镜头20M RMSE MAE 时间 惊喜 0.88 0.68 10分40秒 放克-svd 0.88 0.68 42秒 安装 在终端中运行pip install git+https://github.com/gbolmier/funk-svd 。 贡献 欢迎所有贡献，错误报告，错误修复，增强功能和想法。 有关如何贡献的详细概述，请参见。 快速示例 ： >> > from funk_svd . dataset import fetch_ml_ratings >> > from funk_svd import SVD >> > from sklearn . metri

基于情感分析的对话推荐系统，李新胜，李剑，对话推荐系统作为对话系统和推荐系统的结合，最近受到了广泛的关注。为了解决在对话推荐系统中难以获得用户喜好的问题，在对话推

Recommendation ITU-R-BT.2020: Parameter values for ultra-high definition television systems for production and International programme exchange

Yelper：基于协作过滤的推荐系统 孙传 [gmail.com的chuansun76] [twitter.com/sundeepblue] 博客： ： 或此处： : 此README文件描述了“ Yelper”的几个主要组件，Yelper是主要使用Python使用Spark框架构建的业务推荐系统。 以下是“ Yelper”的一些功能： 按城市划分原始业务数据，可以进行微调和自定义推荐 使用Spark MLlib的基于矩阵分解的推荐 在Scala中使用Spark GraphX进行用户业务图分析 使用Spark Streaming和Apache Kafka进行实时用户请求处理 使用

自监督学习用于推荐

带有Python的电影推荐系统 通过推荐与特定电影最相似的电影的基本推荐系统。 使用该样本来构建系统，这不是一个可靠的系统，只会告诉您哪些电影与您选择的电影更相似。

群组推荐系统 [WIP] 该存储库包含 Group Recommendation 的最新研究论文、数据集和源代码（如果有）。 免费免费创建 PR 进行合并。 基于记忆的方法 偏好聚合 CoFeel：在群组推荐系统中使用情绪进行社交互动。 RecSys 2012 。 [ ] 具有部分信息的产品评级的数学建模和分析。 TKDD 2010 。 [ ] 通过纳入社会关系互动来增强群体推荐。 集团 2010 年。 [ ] 用于委员会决策的组推荐系统中的偏好聚合。 RecSys 2009 。 [ ] 一种考虑群组成员交互的群组推荐系统。 专家系统应用程序2008 年。 [ ] 基于用户档案合并的多观众电视节目推荐。 乌梅 2006 年。 [ ] 自适应无线电：使用否定首选项实现共识。 集团 2005 年。 [ ] 超过其成员的总和：群组推荐系统的挑战。 AVI 2004 。