会员服务
协同过滤（英语：Collaborative Filtering），简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人透过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。协同过滤又可分为评比（rating）或者群体过滤（social filtering）。其后成为电子商务当中很重要的一环，即根据某顾客以往的购买行为以及从具有相似购买行为的顾客群的购买行为去推荐这个顾客其“可能喜欢的品项”，也就是借由社群的喜好提供个人化的信息、商品等的推荐服务。除了推荐之外，近年来也发展出数学运算让系统自动计算喜好的强弱进而去芜存菁使得过滤的内容更有依据，也许不是百分之百完全准确，但由于加入了强弱的评比让这个概念的应用更为广泛，除了电子商务之外尚有信息检索领域、网络个人影音柜、个人书架等的应用等。
Lightweight Embeddings for Graph Collaborative Filtering
Lightweight Embeddings for Graph Collaborative Filtering
Arxiv
0+阅读 · 3月28日
Lightweight Embeddings for Graph Collaborative Filtering
Arxiv
0+阅读 · 3月27日
Large Language Models Enhanced Collaborative Filtering
Arxiv
0+阅读 · 3月26日
Graph Signal Diffusion Model for Collaborative Filtering
Arxiv
0+阅读 · 3月26日
AFDGCF: Adaptive Feature De-correlation Graph Collaborative Filtering for Recommendations
Arxiv
0+阅读 · 3月26日
Self-supervised Contrastive Learning for Implicit Collaborative Filtering
Arxiv
0+阅读 · 3月12日
Safe Collaborative Filtering
Arxiv
0+阅读 · 2月28日
Disentangled Contrastive Collaborative Filtering
Arxiv
0+阅读 · 2月25日
Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach
Arxiv
0+阅读 · 2月24日
Deep Rating Elicitation for New Users in Collaborative Filtering
Arxiv
0+阅读 · 2月26日
Hierarchical Matrix Factorization for Interpretable Collaborative Filtering
Arxiv
0+阅读 · 2月21日
General Debiasing for Graph-based Collaborative Filtering via Adversarial Graph Dropout
Arxiv
0+阅读 · 2月21日
Deployment of Advanced and Intelligent Logistics Vehicles with Enhanced Tracking and Security Features
Arxiv
0+阅读 · 2月19日
Neighborhood-Enhanced Supervised Contrastive Learning for Collaborative Filtering
Arxiv
0+阅读 · 2月18日
Collaborative Semantic Alignment in Recommendation Systems
Arxiv
0+阅读 · 2月14日
参考链接
父主题
推荐系统
微信扫码咨询专知VIP会员
Top