• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>AI communications >Applying probabilistic latent semantic analysis to multi-criteria recommender system
【24h】

Applying probabilistic latent semantic analysis to multi-criteria recommender system

机译：概率潜在语义分析在多准则推荐系统中的应用

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Nowadays some recommender system researchers have already been engaging multi-criteria that model possible attributes of the item to generate the improved recommendations. However, the statistical machine learning methods successful in the single-rating recommender system have not been investigated in the context of multi-criteria ratings. In this paper, we propose two types of multi-criteria probabilistic latent semantic analysis algorithms extended from the single-rating version. First, the mixture of multi-variate Gaussian distribution is assumed to be the underlying distribution of multi-criteria ratings of each user. Second, we further assume the mixture of the linear Gaussian regression model as the underlying distribution of multi-criteria ratings of each user, inspired by the Bayesian network and linear regression. The experiment results on the YahoolMovies ratings data set show that the full multi-variate Gaussian model and the linear Gaussian regression model achieve a stable performance gain over other tested methods.
机译：如今，一些推荐系统研究人员已经开始采用多标准来对项目的可能属性建模，以生成改进的推荐。但是，尚未在多标准评级的背景下研究在单评级推荐器系统中成功的统计机器学习方法。在本文中，我们提出了从单等级版本扩展的两种多准则概率潜在语义分析算法。首先，多元高斯分布的混合被假定为每个用户的多标准评分的基本分布。其次，我们进一步假设线性高斯回归模型的混合是受贝叶斯网络和线性回归启发的每个用户的多标准评分的基本分布。 YahoolMovies评级数据集上的实验结果表明，与其他测试方法相比，完整的多元高斯模型和线性高斯回归模型可实现稳定的性能提升。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号