LibRec 精选:推荐系统9个必备数据集

2018 年 3 月 7 日 LibRec智能推荐 LibRec团队
LibRec 精选:推荐系统9个必备数据集

新年开工大吉!本周的精选内容如下,请特别关注加粗的内容。


  • 研究推荐系统的9个必备数据集 

    • 电影 (MovieLens):http://grouplens.org/datasets/movielens/

    • 笑话 (Jester):http://eigentaste.berkeley.edu/dataset/

    • 图书 (Book-Crossing):http://www2.informatik.uni-freiburg.de/~cziegler/BX/

    • 音乐 (Last.fm):http://grouplens.org/datasets/hetrec-2011/

    • 百科 (Wikipedia):https://en.wikipedia.org/wiki/Wikipedia:Database_download#English-language_Wikipedia

    • 地图 (OpenStreetMap):http://planet.openstreetmap.org/planet/full-history/

    • 开源 (Python Git Repositories):操作源码见 https://github.com/lab41/hermes


    • 编者附---竞赛 (Kaggle):https://www.kaggle.com/kaggle/meta-kaggle

    • 源自:https://gab41.lab41.org/the-nine-must-have-datasets-for-investigating-recommender-systems-ce9421bf981c

  • 应用:

    • YouTube: Most recommended videos;https://t.co/sstFKLrUEb

    • Email attachments recommendation from RecSys

  • 论文:

    • Gilotte et al., "offline A/B testing for recommender systems", https://arxiv.org/abs/1801.07030,WSDM 2018

    • Quadrana et al., "Sequence-aware Recommender Systems", https://mquad.github.io/static/papers/2018-seqrec_survey.pdf

    • Trattner & Elsweiler, "Food Recommender Systems: Important Contributions, Challenges and Future Research Directions", https://www.researchgate.net/publication/320944468_Food_Recommender_Systems_Important_Contributions_Challenges_and_Future_Research_Directions

    • Trattner et al., "Investigating the utility of the weather context for point of interest recommendations", https://link.springer.com/article/10.1007/s40558-017-0100-9

  • 观点:

    • 源自:https://medium.com/the-graph/insights-from-an-evening-with-recommender-systems-experts-ab44d677dc5e

      • RMSE is never an appropriate evluation metric 

      • In most cases Implicit feedback is far more valuable than explicit feedback

      • Ratings that are not observed are not missing at random

  • 视频:

    •  A Linear Reinforcement Learning Algorithm for Non Stationary Actions:https://www.youtube.com/watch?v=HUabXYYWHYs

    • Recurrent Neural Network for Session-based Recommendations:https://www.youtube.com/watch?v=M7FqgXySKYk



登录查看更多
4

相关内容

推荐系统,是指根据用户的习惯、偏好或兴趣,从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同,这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
小贴士
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
6+阅读 · 2019年9月19日
LibRec 精选:近期15篇推荐系统论文
LibRec智能推荐
5+阅读 · 2019年3月5日
LibRec 精选:推荐系统的常用数据集
LibRec智能推荐
12+阅读 · 2019年2月15日
LibRec 精选:CCF TPCI 的推荐系统专刊征稿
LibRec智能推荐
4+阅读 · 2019年1月12日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
9+阅读 · 2018年11月29日
LibRec 精选:基于LSTM的序列推荐实现(PyTorch)
LibRec智能推荐
34+阅读 · 2018年8月27日
LibRec 精选:推荐的可解释性[综述]
LibRec智能推荐
6+阅读 · 2018年5月4日
LibRec 每周精选:近期推荐系统论文及进展
LibRec智能推荐
30+阅读 · 2018年2月5日
LibRec 每周精选:10篇每个人都应该读的RecSys文章
LibRec智能推荐
5+阅读 · 2018年1月1日
【推荐】Kaggle机器学习数据集推荐
机器学习研究会
5+阅读 · 2017年11月19日
相关VIP内容
相关论文
Qingyu Guo,Fuzhen Zhuang,Chuan Qin,Hengshu Zhu,Xing Xie,Hui Xiong,Qing He
70+阅读 · 2020年2月28日
Wenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao,Jiliang Tang,Dawei Yin
12+阅读 · 2019年11月23日
Chih-Ming Chen,Chuan-Ju Wang,Ming-Feng Tsai,Yi-Hsuan Yang
5+阅读 · 2019年2月19日
Kuan Liu,Xing Shi,Prem Natarajan
3+阅读 · 2018年5月28日
Wei Zhao,Benyou Wang,Jianbo Ye,Min Yang,Zhou Zhao,Xiaojun Chen
8+阅读 · 2018年5月2日
Sven Schmit,Carlos Riquelme
5+阅读 · 2018年3月28日
Markus Schedl,Hamed Zamani,Ching-Wei Chen,Yashar Deldjoo,Mehdi Elahi
7+阅读 · 2018年3月21日
Fuzhen Zhuang,Yingmin Zhou,Fuzheng Zhang,Xiang Ao,Xing Xie,Qing He
4+阅读 · 2018年3月5日
Huan Zhao,Quanming Yao,Yangqiu Song,James Kwok,Dik Lun Lee
10+阅读 · 2018年1月8日
Xiangyu Zhao,Liang Zhang,Zhuoye Ding,Dawei Yin,Yihong Zhao,Jiliang Tang
12+阅读 · 2018年1月5日
Top