Network-based recommendation algorithms--A review

最新推荐文章于 2024-12-17 00:04:26 发布
翻译 最新推荐文章于 2024-12-17 00:04:26 发布 · 400 阅读 · 0
文章标签：

#Network-based recomm #推荐系统

本文档总结了Network-based recommendationalgorithms--A review这篇论文的主要内容，包括概率传播算法、简单随机漫步过程、由两部分构成的网络投影等概念，并探讨了数据表示、不对称矩阵、非均匀初始配置方法及传播过程等问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

这是我读完Network-based recommendation algorithms--A review这篇论文所做的笔记，绝非原创只是一些零碎知识的整理。不妥之处还望广大博友积极提出意见！


                      Network-based recommendationalgorithms--A review(2016)


（1）a probabilistic spreading algorithm  一个概率传播算法

     a simple random walk process     一个简单的随机漫步过程

     a bipartite network projection     一个由两部分构成的网络投影

     dataand notation                        数据和符号

      matrix                                         矩阵

     asymmetric                                           不对称

heterogeneous initial configuration method    非均匀初始配置算法

elimination of redundant correlations     消除冗余的相关性

the optimal parameter values     最优参数值

Evaluation metrics       评价指标

propagation process    传播过程

Mutual feedback between recommender systemsand real system evolution

推荐系统与实际系统演化的相互反馈

 

      

 



Controllable Multi-Interest Framework for Recommendation
weixin_41697507的博客
07-23 3631
Controllable Multi-Interest Framework for Recommendation ABSTRACT Recently, neural networks have been widely used in e-commerce recommender systems, owing to the rapid development of deep learning. We formalize the recommender system as a sequential recom
Graph Convolutional Neural Networks for Web-Scale Recommender Systems（用于Web级推荐系统的图形卷积神经网络）
weixin_41697507的博客
07-07 4304
Graph Convolutional Neural Networks for Web-Scale Recommender Systems 用于Web级推荐系统的图形卷积神经网络 ABSTRACT Recent advancements in deep neural networks for graph-structured data have led to state-of-the-art pe...
RecommendationAlgorithm:研究和将人工智能应用于推荐系统
04-22
推荐算法 研究和将人工智能应用于推荐系统
Recommendation Algorithm Guide
qq_34597894的博客
07-01 845
推荐算法引导
Music recommendation algorithm
yuxuac的专栏
12-02 650
http://arstechnica.com/tech-policy/2011/01/digging-into-pandoras-music-genome-with-musicologist-nolan-gasser/ https://www.quora.com/What-are-some-algorithms-used-in-a-music-recommendation-system
recommendation_algorithm:推荐系统算法实践
03-11
Recommendation_algorithm 推荐系统算法实践
数据挖掘与机器学习（part 10）推荐算法Recommendation Algorithm & 隐语义模型（LFM）& 协同过滤算法 & SVD
m0_74400863的博客
12-17 2574
假设：用户兴趣的连贯性（用户未来喜欢的东西，与过去喜欢的东西是相似的优点：直观，可解释；缺点：覆盖率、多样性、新颖度、惊喜度均不高协同过滤推荐(Collaborative Filtering)优点：简单，预测准确度高；缺点：对数据稀疏性非常敏感对策：矩阵分解技术（降维）
Cloud-based Machine Learning Model Management: How to Efficiently Supervise Your AI Assets
# 1. Overview of Cloud-based ...With the rapid development and widespread adoption of cloud computing technology, the development and deployment of machine learning models are undergoing a shift from tr
Knowledge Graph&GNN&Recommender System
qq_34989620的博客
11-16 708
[Knowledge Graph & GNN & Recommender System]1. A Survey on Knowledge Graph-Based Recommender Systems2. Graph Learning Approaches to Recommender Systems: A Review3. Deep Learning on Knowledge Graph for RecommenderSystem: A Survey 要读的三篇有关Knowledge Gr
WWW2018-Neural Attentional Rating Regression with Review-level Explanations
catly的博客
06-15 4009
在电商平台中，Review信息对于用户而言是十分有用的，然而，却很少有人对Review的有效性进行研究。
Analysis of recommendation algorithms for e-commerce
sunshinewx1的博客
12-12 1027
这是我读完Analysis of recommendation algorithms for e-commerce这篇论文所做的笔记，绝非原创只是一些零碎知识的整理。不妥之处还望广大博友积极提出意见！        Analysis of recommendation algorithms fore-commerce(2000)
data mining&machine learning&deep learning&recommendation algorithm
weixin_44262946的博客
12-06 276
数据挖掘&机器学习&深度学习&推荐算法区别和联系： 1、数据挖掘： 数据挖掘是从成吨的数据中挖掘出有用的信息。 数据挖掘常用方法大多来自于机器学习。 2、机器学习： 机器学习的目标是学习一个x->y的函数（映射）来做分类或回归。 机器学习和数据挖掘联系在一起是因为现在很多数据挖掘的工作是通过机器学习提供的算法工具实现的。例如个性化推荐，是通过机器学习的一些算法分析平台上的各种购买、浏览和收藏日志，得到一个推荐模型，来预测你喜欢的商品。 3、深度学习： 深度学习是
矩阵分解的推荐算法
AGNING的博客
01-20 488
推荐算法（recommendation algorithm）就是利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西。目前应用推荐算法比较好的地方主要是网络，其中淘宝、拼多多和京东等做的都非常好。推荐算法主要分为6种：1.基于内容的推荐(Content-Based Recommendation)2.基于协同过滤的推荐(Collaborative Filtering Recommendation)
探索个性推荐算法：GitCode上的`Person-Recommendation-Algorithms`
gitblog_00067的博客
04-22 450
探索个性推荐算法：GitCode上的Person-Recommendation-Algorithms 在这个信息爆炸的时代，如何在海量的数据中找到最符合个人兴趣的内容？这就是推荐系统的目标所在。 项目，就是一份专注于推荐算法的代码库，为开发者提供了学习和实践各种推荐算法的机会。 项目简介 该项目是一个综合性的推荐算法集，包括了协同过滤、基于内容的推荐、矩阵分解等经典方法，同时也涵盖了深度学习在推荐...
基于评论的推荐系统综述
beginerToBetter的博客
09-25 5232
基于评论的推荐系统综述 摘要 推荐系统因可以为人们提供个性化的推荐而在日常生活中扮演者越来越重要的角色。传统的推荐系统往往利用用户或物品的评分信息，然而在现实场景中这种评分信息一般是比较稀疏的，这种数据稀疏问题会造成推荐性能的下降。因此，许多研究人员尝试使用用户的评论辅助信息去学习用户、物品的表示进一步地弥补数据稀疏问题。现存的方法在利用评论信息构建用户、物品表示时往往存在两种类别的表示，分别是使用用户撰写的和写给物品的全部评论拼接为文档进行表示学习，另一种则是将每条评论单独的建模学习，本文也将以此作为分类
推荐系统的主要算法
热门推荐
Adrianna的专栏
11-15 2万+
主流的推荐系统算法大致分为两类: 1. 基于用户行为数据的协同过滤算法 2. 基于内容数据的过滤算法 大致而言，基于内容数据的算法适用于cold start，即用户和项目都比较少的时候，而基于用户行为数据的协同过滤算法在用户和项目较多，数据比较丰富的情况下有较高的准确率。除此之外，还包括基于社会网络数据的推荐，基于语境（上下文）感知数据的推荐，基于心理学数据的推荐等等。本文参考总结自：
[转]关于阅读文献的方法
笑风生
10-17 2247
1.找一篇本研究领域的文献综述（review）。 这一步很关键，要找一篇有影响的（我主要是看引用次数的高低）综述有时不是件很容易的事，可以请教你的师兄师姐。我是直接在SpingerLink中找到一篇外文的综述，引用次数高达120。这里要说明下，引用次数可以用google查，也可以在web of science中查，但有条件的话，最好还是使用后者。根据使用经验，前者查到的引用次数常常不准确。 2.精读此文献综述。 这一步主要是了解研究领域的框架，熟悉各个问题的关键词和述语，并进行总结归类。 3
基于评论文本的深度推荐系统总结
abcdefg90876的博客
05-07 1892
来源：知乎链接：https://zhuanlan.zhihu.com/p/133323763本文主要总结下近几年结合评论文本的推荐系统 (Review-based Recommendat...
750W高PF值充电机电源方案：基于UCC28070、ST6599和PIC16F193X的设计与实现
最新发布
08-08
750W高功率因数（PF）充电机电源设计方案，采用TI公司的UCC28070作为交错式PFC控制器，ST公司ST6599用于LLC谐振变换，以及Microchip的PIC16F193X作为主控芯片。文中不仅提供了详细的原理图、设计文件和烧录程序，还分享了实际调试经验和技术细节。具体来说，PFC环节通过优化乘法器补偿和电流环参数实现了极高的PF值；LLC部分则着重于死区时间和谐振腔参数的精确配置；单片机部分负责状态管理和故障保护等功能。最终方案实测效率达到94%，相比传统方案节能显著。 适合人群：电力电子工程师、硬件开发者、嵌入式系统设计师，特别是对高效电源设计感兴趣的读者。 使用场景及目标：适用于需要设计高性能、高效率充电机的企业和个人开发者。目标是在满足高功率因数的同时，提高转换效率并降低能耗。 其他说明：附带完整的原理图、设计文件和烧录程序，有助于读者快速上手并进行实际项目开发。同时引用了华南理工大学硕士学位论文的相关理论支持，使方案更具权威性和可靠性。
item-based top-n recommendation algorithms
03-16
基于物品的top-n推荐算法是一种常见的推荐算法，它根据用户历史行为和物品之间的相似度来预测用户对未评价物品的喜好程度，并推荐给用户可能感兴趣的物品。该算法的核心思想是基于物品之间的相似度来推荐物品，而...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值