Large-scale recommender system with compact latent factor model

این کار یک مدل فاکتورسازی را به نام مدل فاکتور ناپایدار فشرده ارائه می دهد که در آن ما یک نماینده جمع و جور برای بررسی پرس و جو، کاربر و مورد در مدل پیشنهاد می کنیم. ترکیبی از بازیابی اطلاعات و فیلتر کردن مشارکتی یک تنظیم معمول در بسیاری از برنامه های کاربردی است. مدل پیشنهادی می تواند ویژگی های مختلفی را در مدل ترکیب کند و این کار نشان می دهد که مدل پیشنهادی می تواند ویژگی های متفاوتی با متن و محتوا را دربر داشته باشد تا بتواند از نظر توصیه های متفاوتی و مشکلات سرد شروع کند. علاوه بر دقت توصیه، یک مسئله مهم در مورد هزینه محاسبات در شرایط عملی ظاهر می شود. برای مقابله با این مشکل، این کار از یک برنامه به روز رسانی بافر استفاده می کند تا به مدل پیشنهادی اجازه داده شود روند داده ها را به صورت مرحله ای انجام دهد و ابزارهایی برای استفاده از نمونه های داده های تاریخی فراهم کند. در ضمن، از الگوریتم نسبی بارگیری تصادفی و روش نمونه گیری برای بهینه سازی رتبه بندی استفاده می کنیم، که عملکرد رقابتی را با در نظر گرفتن مسائل مربوط به مقیاس پذیری و استقرار در اختیار ما قرار می دهد. نتایج تجربی نشان می دهد که الگوریتم پیشنهادی از گزینه های دیگر در چهار مجموعه داده برتر است.