推荐系统论文及代码集锦

[1] A Unified Framework for Link Recommendation Using Random Walks

Zhijun Yin et al.

University of Illinois at Urbana-Champaign

ASONAM 2010

http://hanj.cs.illinois.edu/pdf/asonam10_zyin.pdf

这篇文章将随机游走用于链路推荐

社交网络中用户属性及关系示例如下

相应的增广图示例如下

社交网络中的链路推荐算法如下

数据集统计如下

结果示例如下

各方法对比如下

              我是分割线

[2] A Random Walk Around the City: New Venue Recommendation in Location-Based Social Networks

Anastasios Noulas et al.

University of Cambridge

SocialCom 2012

https://nlathia.github.io/papers/noulas_socialcom12.pdf

这篇文章将随机游走用于基于位置的社交网络中的新街道推荐

相关数据统计示例如下

分布函数示例如下

若干城市中地点的check in统计示例如下

访问新地点的概率统计如下

各方法效果对比如下

结果示例如下

                我是分割线

[3] ItemRank: A Random-Walk Based Scoring Algorithm for Recommender Engines

Marco Gori

University of Siena

IJCAI 2017

https://www.aaai.org/Papers/IJCAI/2007/IJCAI07-444.pdf

这篇文章提出ItemRank，该算法基于随机游走，可以对潜在用户推荐排序比较靠前的商品。

各算法效果对比如下

                我是分割线

[4] Movie Recommendation using Random Walks over the Contextual Graph

Toine Bogers

Royal School of Library and Information Science

CARS 2010

https://pdfs.semanticscholar.org/9dc8/e409b6e9cc8bcab713ec7bda07742b8b87f0.pdf

上下文图表示示例如下

图构建示例如下

                我是分割线

[5] Content-boosted Matrix Factorization for Recommender Systems: Experiments with Recipe Recommendation

Peter Forbes

University of Cambridge

RecSys 2011

http://sas.uwaterloo.ca/~m3zhu/papers/recsys11.pdf

结果示例如下

                我是分割线

[6] Deep Matrix Factorization Models for Recommender Systems

Hong-Jian Xue et al.

Nanjing University

IJCAI 2017

https://www.ijcai.org/proceedings/2017/0447.pdf

算法框架如下

代码地址

https://github.com/RuidongZ/Deep_Matrix_Factorization_Models

                我是分割线

[7] Factorization Meets the Item Embedding: Regularizing Matrix Factorization with Item Co-occurrence

Dawen Liang et al.

Netflix Inc.

RecSys 2016

http://www.cs.toronto.edu/~lcharlin/papers/cofactorization.pdf

数据集统计信息如下

各方法结果对比如下

代码地址

https://github.com/dawenl/cofactor

                我是分割线

[8] Fast Matrix Factorization for Online Recommendation with Implicit Feedback

Xiangnan He et al.

National University of Singapore

SIGIR 2016

https://www.comp.nus.edu.sg/~xiangnan/papers/sigir16-eals-cm.pdf

算法流程如下

各算法复杂度对比如下

在线增量更新算法如下

数据集统计信息如下

各方法耗时对比如下

各方法结果对比如下

代码地址

https://github.com/hexiangnan/sigir16-eals

                我是分割线

[9] Neural Collaborative Filtering

Xiangnan He et al.

National University of Singapore

WWW 2017

https://www.comp.nus.edu.sg/~xiangnan/papers/ncf.pdf

矩阵分解图示如下

NCF框架如下

NFM模型如下

数据集统计信息如下

各算法对比如下

代码地址

https://github.com/hexiangnan/neural_collaborative_filtering

                我是分割线

[10] Item-Based Collaborative Filtering Recommendation Algorithms

Badrul Sarwar et al.

University of Minnesot

WWW 2010

http://files.grouplens.org/papers/www10_sarwar.pdf

协同过滤过程如下

共同评价商品相似度计算如下

基于商品的协同过滤算法如下

                 我是分割线

为方便大家交流，已开通以下几个群

• 自然语言处理交流群

• 计算机视觉交流群

• 推荐系统交流群

• 广告算法交流群

• 自动驾驶交流群

• 语音识别交流群

• 其他推荐的群（暂未开通）

欢迎感兴趣的朋友加入，入群方式：

关注公众号之后在后台发送"入群"或"加群"，小编会把您拉进相应的群，谢谢

                我是分割线

可以通过以下方式关注

（长按->识别图中二维码->关注）

本公众号（微信号：mlanddlanddm）专注于机器学习（主要包含但不限于深度学习）相关知识分享，其中涉及自然语言处理、推荐系统以及图像处理前沿论文等，欢迎大家关注交流

               我是分割线

您可能感兴趣