April 2018 – Word2Vec applied to Recommendation: Hyperparameters Matter
Hugo Caselles-Dupré, Florian Lesaint und Jimena Royo-Letelier haben word2Vec und Recommendation-Systeme verheiratet. Ein Schritt der für viele schon längst überflüssig war. Dass man mit word2vec (ein semantischer Space für Wörter) sehr gutes Matching machen kann, war vielen bewusst. Nun sehen wir die Resultate in einem Paper veröffentlicht. [Zum Paper]
Februar 2016 – Collaborative filtering via sparse Markov random fields
Truyen Tran, Dinh Phung und Svetha Venkatesh. Die Autoren untersuchen das Thema Kollaboratives Filtern mithilfe eines Sparse Markov Fields und testen diesen an großen offenen Datensets. Unter anderem schlagen sid vor, neue Items und User mit Entropy zu modellieren. [Zum Paper]
Februar 2016 – GitHub open source project recommendation system
Tadej Matek und Svit Timej Zebec. In diesem Paper wird versucht, ein Recommendationsystem für die Plattform github zu entwerfen. Dabei modellieren die Autoren die Nachbarschaft der User mit ähnlichen Präferenzen und wenden zum Scoring bekannte, wie auch selbstentworfene Algorithmen bspw.: Jaccard, Hub Promotion, Hub Depression, Infomap und weitere an. [Zum Paper]
Januar 2016 – Song Recommendation with Non-Negative Matrix Factorization & Graph Total Variation
Kirell Benzi et al. Songs und Playlisten werden in separate Graphen gesteckt. Nach diesem Vorgang wird eine Matrix aus beiden Graphen gebaut, je nachdem wie Songs und Playlisten zusammenpassen. Auf der entstehenden Matrix wird mit einer NMF nach Ähnlichkeiten (somit Vorschlägen) gesucht. [Zum Paper]
Januar 2016 – A Synthetic Approach for Recommendation: Combining Ratings, Social Relations, and Reviews
Guang-Neng Hu et al. Es wird ein Framework namens MR3 vorgestellt, dass latente Features (wie bei Matrix-Faktorisierung üblich) und versteckte Konzepte bewertet und daraus Vorschläge generiert. Diese Veröffentlichung legt außerdem sehr viel Wert auf die Wahl der Features. [Zum Paper]
Januar 2016 – Recommender systems inspired by the structure of quantum theory
Cyril J. Stark. Physiker nutzen verschiedene Modelle, um ihre Systeme zu beschreiben. Diese Arbeit stellt eine Verknüpfung zwischen diesen Methoden und dem Thema Recommender Systems her. Es ist eine Schnittmenge zwischen Data Science (item recommendation), Information Theory (communication complexity), Mathematischer Programmierung (positive semidefinite factorizations) and Physik (quantum models). [Zum Paper]
November 2015 – Human Curation and Convnets: Powering Item-to-Item Recommendations on Pinterest
Dmitry Kislyuk et al. Pinterest ist ein soziales Netzwerk, das von Empfehlungen lebt. User bekommen fast in jedem Schritt ähnliche und relevante Bilder vorgeschlagen. Laut diesem Paper basiert dies auf Convnets (also Deep Learning). Die Architektur und Ergebnisse dieses Systems werden vorgestellt. [Zum Paper]
Oktober 2015 – DeepFM: An End-to-End Wide & Deep Learning Framework for CTR PredictionHuifeng Guo et al. stellen in ihrem Paper eine Option da, die Click-Through Rate (Durchklickrate: die Rate der User, die auf einer Webpage einen weiterführenden Link geklickt haben) vorherzusagen. Dazu benutzen sie Deep Learning. Das Model sowie ihre Ergebnisse stellen sie in dem Paper vor. [Zum Paper]
September 2015 – Visual Search at Pinterest
Yushi Jing. Die visuelle Suche bei Pinterest basiert auf Deep Learning Technologie. Dabei werden zu jedem Bild bestimmte Keywords extrahiert und dann in verschiedenen Verfahren einem Matching unterzogen. [Zum Paper]
]]>