Рекомендательные системы

Видеозаписи

Лекция

Семинар

Содержание лекции

• Задачи коллаборативной фильтрации, транзакционные данные.
• Корреляционные методы user-based, item-based. Задача восстановления пропущенных значений. Меры сходства.
• Разреженная линейная модель (Sparse LInear Method, SLIM).
• Латентные методы на основе матричных разложений. Метод главных компонент для разреженных данных (LFM, Latent Factor Model). Метод стохастического градиента.
• Неотрицательные матричные разложения NNMF. Метод чередующихся наименьших квадратов ALS. Вероятностный латентный семантический анализ PLSA.
• Модель с учётом неявной информации (implicit feedback).
• Автокодировщики для коллаборативной фильтрации.
• Учёт дополнительных признаковых данных в матричных разложениях и автокодировщиках.
• Линейная и квадратичная регрессионные модели, libFM.
• Гиперграфовая транзакционная тематическая модель для учёта дополнительных данных.
• Измерение качества рекомендаций. Меры разнообразия (diversity), новизны (novelty), покрытия (coverage), догадливости (serendipity).

Материалы

• Презентация Voron-ML-CF.pdf (PDF, 0.6 МБ) — прикреплена к публикации.

Материалы курса © К. В. Воронцов. Текст и слайды распространяются по лицензии CC BY-SA 3.0 — на условиях этой лицензии они воспроизведены здесь без изменений. Видеозаписи размещены на YouTube и встроены по ссылке; их копии здесь не хранятся.