JP5826721B2 - 欠損値予測装置及び商品推薦装置及び方法及びプログラム - Google Patents
欠損値予測装置及び商品推薦装置及び方法及びプログラム Download PDFInfo
- Publication number
- JP5826721B2 JP5826721B2 JP2012161005A JP2012161005A JP5826721B2 JP 5826721 B2 JP5826721 B2 JP 5826721B2 JP 2012161005 A JP2012161005 A JP 2012161005A JP 2012161005 A JP2012161005 A JP 2012161005A JP 5826721 B2 JP5826721 B2 JP 5826721B2
- Authority
- JP
- Japan
- Prior art keywords
- tensor
- product
- relevance
- data
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、欠損値予測装置及び商品推薦装置及び方法及びプログラムに係り、特に、タクソノミを用いて観測データを経由したバイアスをテンソルに加えることで、テンソル分解に基づく欠損値の予測精度を向上させるための欠損値予測装置及び商品推薦装置及び方法及びプログラムに関する。
詳しくは、複数次元のデータ間の関係を表現するテンソルを分析し、有用な関係集合などを抽出するテンソル分析においては、各次元をクロスしたデータ間の取り得る関係の数が非常に多いため、観測されているデータ数も少なく、その場合、分析の結果に悪影響を与えることが分かっている。本発明は、そうした関係を予測するという、テンソル分析の精度向上のための、テンソル上の欠損値の予測を扱う技術分野に属する。
また、応用として、協調フィルタリングに基づく商品推薦を行う情報推薦分野にも属する。特に、商品、ユーザの2次元の行列を分解する方法による商品推薦方法を発展させ、商品、ユーザ、ユーザの商品消費コンテクストの3次元からなるテンソルを分解する方法による商品推薦方法を扱う技術分野に属する。
Web及びネットワーク上において、ユーザによる対象の意味や概念に対する参照要求が大きくなるにつれ、WikiPedia(登録商標)等の体系化された辞書が普及するようになってきている。また、こうしたユーザの要求を人手ではなく、人の代わりにサービスが処理し、ユーザにカスタマイズして提示可能とするための、機械処理可能な概念参照API(Application Program Interface)が急速に普及しており、DBPedia(登録商標)、Word-Net(登録商標)、FreeBase(登録商標)など様々な情報プロバイダが、自身の持つ情報を体系化し、APIを通じ安価または無料で提示するようになってきている(例えば、非特許文献1参照)。
一方、ユーザの興味のある商品を推測し、ユーザに代わりに情報を収集提示するような推薦システムも必要とされ研究されてきた。特に、商品、ユーザの2次元の行列を分解する方法による商品推薦方法が普及しつつあり、特に商品にユーザが与える評点の予測などの分野への応用や実用化が行われるようになってきている。
<取り組む問題>
現在、ユーザが商品に与えるタグなどを取り扱い、ユーザ、商品、タグからなる3次元のデータをテンソルで取り扱い、テンソル分解に基づく推薦手法によりテンソルの未観測部分を補完し、その補完値を利用して推薦を決定することで、推薦の精度を上げる研究も行われつつある。ここで、タグはユーザの消費におけるコンテクストを表すものと考えることができる。コンテクストには、ユーザの感情、ユーザの好きなジャンル、ユーザがアイテムを消費した場所などが要素として挙げられる。こうしたコンテクストの要素を踏まえた推薦を行えば、よりユーザが受け入れ易い状況に沿った商品の推薦ができ得るわけであるから、ユーザが推薦を基に商品を新たに消費する可能性は高まると考えられる。
現在、ユーザが商品に与えるタグなどを取り扱い、ユーザ、商品、タグからなる3次元のデータをテンソルで取り扱い、テンソル分解に基づく推薦手法によりテンソルの未観測部分を補完し、その補完値を利用して推薦を決定することで、推薦の精度を上げる研究も行われつつある。ここで、タグはユーザの消費におけるコンテクストを表すものと考えることができる。コンテクストには、ユーザの感情、ユーザの好きなジャンル、ユーザがアイテムを消費した場所などが要素として挙げられる。こうしたコンテクストの要素を踏まえた推薦を行えば、よりユーザが受け入れ易い状況に沿った商品の推薦ができ得るわけであるから、ユーザが推薦を基に商品を新たに消費する可能性は高まると考えられる。
疎なテンソルの補完問題において補完精度を向上させるため、低ランク性の仮定に加えて、データ間の関係性を補助情報として考慮する方法がある。テンソルの低ランク分解にグラフラプラシアンによる正則化項を導入することによってテンソルの補完にデータ間の補助情報を導入した定式化を提案し、これを解くためのアルゴリズムを示す。この補助情報により、補完精度が良くなることを報告している(例えば、非特許文献2参照)
また、Matrix factorizationのフレームにおいて、タクソノミを用い、アーチスト、アルバム、ジャンルにバイアスを掛けて学習することで、予測精度を上げる研究がある(例えば、非特許文献3参照)。図1に、タクソノミの例を示す。タクソノミはクラス、アイテムの階層構造を有するグラフを構成する。
また、Matrix factorizationのフレームにおいて、タクソノミを用い、アーチスト、アルバム、ジャンルにバイアスを掛けて学習することで、予測精度を上げる研究がある(例えば、非特許文献3参照)。図1に、タクソノミの例を示す。タクソノミはクラス、アイテムの階層構造を有するグラフを構成する。
Linked Open Data Project (http://linkeddata.org/)
成田ら,「補助情報を用いたテンソル分解」,信学技報, 2011.
Yahoo! Music Recommendations: Modeling Music Ratings with Temporal Dynamics and Item Taxonomy, Gideon, RecSys'11, 2011.
しかし、テンソルの未観測部分の補完は、通常、対象となるテンソルが低ランクであることを仮定することによって行われる。しかし、補完するテンソルの未観測部分の割合が高い場合、すなわち、疎である場合には補完精度が悪くなることが知られている。つまり、ユーザの商品の消費履歴が少ない場合、つまり、テンソル上の実数値が入るカラムが少ない場合に、予測精度が悪くなることが報告されている。また、一般のコンテンツプロバイダでは、ユーザは全てのアイテムを購入・評価しているわけではないため、消費履歴から構築されるテンソルは疎になるという問題がある。
様々な出来事が幾つかの物事同士の関わりによって表される。対象が2種類であれば2次元の配列としての行列によってデータを表すことができるが、より多くの対象が同時に関わってくるのなら、高次元の配列、つまり、テンソルという形で表すことができる。誤差が大きい、または、実験にコストが掛かるために一部しか観測できないなどといった理由で、データに欠損が生じるといった状況は様々に発生する。欠損の生じたデータはそのままでは解析に適さないといった理由で、多くの場合満足に利用することができず、そのまま無駄になってしまうことになる。このような場合には、未知のデータを推定することができれば、初めから一部しか観測を行わないことでコストや手間を軽減することができる。組み合わせの数が膨大なためにそもそも網羅的な観測が不可能な場合であっても、一部の観測から全体像を捉えるといったことも考えられる。そのような目的のためにテンソルを補完する手法が重要になってくる。
本発明は、上記の点に鑑みなされたもので、テンソル上の未観測値データ(欠損値)を補充し、予測精度を向上させることが可能な欠損値予測装置及び商品推薦装置及び方法及びプログラムを提供することを目的とする。
上記の課題を解決するため、本発明(請求項1)は、複数次元のデータ間の関係を表現するテンソルを用いて欠損値を予測する欠損値予測装置であって、
複数次元の関係を示す観測データと、各次元の背景知識となるタクソノミを入力として、該観測データと未観測データとの間の関連度を計算する関連性計算手段と、
前記観測データに加えて、前記未観測データに対し、計算された前記関連度を用いて、複数次元の関係を表現するテンソルを構築するテンソル構築手段と、
前記テンソルをテンソル分解法により分解及び復元することで、前記未観測データに対する欠損値を推定する欠損値推定手段と、を有する。
複数次元の関係を示す観測データと、各次元の背景知識となるタクソノミを入力として、該観測データと未観測データとの間の関連度を計算する関連性計算手段と、
前記観測データに加えて、前記未観測データに対し、計算された前記関連度を用いて、複数次元の関係を表現するテンソルを構築するテンソル構築手段と、
前記テンソルをテンソル分解法により分解及び復元することで、前記未観測データに対する欠損値を推定する欠損値推定手段と、を有する。
また、本発明(請求項2)は、複数次元のデータ間の関係を表現するテンソルを用いて欠損値として、ユーザが次に購入する商品を予測する商品推薦装置であって、
ユーザの商品に対する消費頻度からなるユーザの商品の消費履歴を観測データとし、情報源から得られる商品のクラス構造であるタクソノミを入力として、該観測データと該ユーザが購入した商品とは別の商品との関連度を該タクソノミを利用して計算する関連性計算手段と、
前記消費履歴と計算された前記関連度を用いて、ユーザ、商品、クラスからなる3次元のテンソルを構築するテンソル構築手段と、
前記テンソルをテンソル分解法により分解及び復元することで、ユーザが関心を持ちうる商品を推定する商品予測手段と、を有する。
ユーザの商品に対する消費頻度からなるユーザの商品の消費履歴を観測データとし、情報源から得られる商品のクラス構造であるタクソノミを入力として、該観測データと該ユーザが購入した商品とは別の商品との関連度を該タクソノミを利用して計算する関連性計算手段と、
前記消費履歴と計算された前記関連度を用いて、ユーザ、商品、クラスからなる3次元のテンソルを構築するテンソル構築手段と、
前記テンソルをテンソル分解法により分解及び復元することで、ユーザが関心を持ちうる商品を推定する商品予測手段と、を有する。
上述のように、本発明によれば、クラスの背景知識を活用し、テンソル分解に基づく欠損値の予測精度を向上させることが可能となる。広く普及す売るmatlab(登録商標)のtensor tool boxなど既存のツールとの相性もよく、簡易に精度を上げることができるため、今後の産業面での活用が期待できる。
以下、図面と共に本発明の実施の形態を説明する。
まず、本発明の概要を説明する。
一般的には、疎なテンソル上にある次元(mode)における観測データの背景知識であるタクソノミを用い、観測データと非観測データ間の関係性をpprなどの関連性計測法を用いて計算し、非観測データに与えられた関連性の値を基に、テンソルを密にする。これにより、テンソル分解による欠損値の予測精度を上げる。
推薦システムにて応用すると、商品の背景知識である商品のタクソノミを用い、タクソノミ上の他の商品とのカンレンドをあらかじめ計算する。そして、その値を基にテンソル上の空きカラムに予め値を挿入する。その上で、テンソル分解を実施する。これにより、商品の背景知識を用い、疎なテンソルを密にすることができ、またユーザが消費した商品にタクソノミ上で関連する商品に関連度を入れているため、ユーザの興味を捉えており、結果として商品の予測精度が向上する。
図2は、本発明の一実施の形態における欠損予測装置の構成を示す。
同図に示す欠損予測装置は、ベクトル作成部1、関連性計算部2、テンソル構築部3、欠損値推定部4、及び、各部の途中結果を格納する記憶部5から構成される。
当該欠損予測装置は、複数次元の関係を示す観測データと、各次元の背景知識としてタクソノミ(クラスの階層構造)が入力され、欠損値の推定結果を出力する。
図3は、本発明の一実施の形態における欠損予測装置の動作のフローチャートである。
ステップ1)まず、外部の入力手段から入力された複数次元の関係を示す観測データと、各次元の背景知識としてタクソノミ(クラスの階層構造)を記憶部5に格納するものとする。
ベクトル作成部1は、複数時点の関係を示す観測データのユーザのアイテムへの評価値から、タクソノミ上のクラス、インスタンスへの評価値ベクトルを作成し、記憶部5に格納する。記憶部5は、メモリまたはハードディスク等の記憶媒体である。
ユーザuのアイテムへの評価ベクトルをruとし、アイテムiへの評価値をru,iとする。
アイテムは複数のクラスに属することがあり、同じアイテムでも異なるクラスに属するアイテムは別のインスタンスとしてタクソノミ上では管理する。なお、同じアイテムに対応するインスタンスは同じ評価値を持つとする。
次に、ユーザuのタクソノミ上のクラス、インスタンスに対する評価ベクトル
ステップ2) 関連性計算部2は、記憶部5から取得したタクソノミグラフ上でのpersonalized page rank(グラフ上での値の伝搬方法)に基づき、観測データと未観測データの関連度を計算する。また、アイテムのタクソノミにおいて、クラス、アイテムをノードとし、隣接する行列Aを記憶部5上に用意する。その上で、以下の式で表されるpersonalized page rankを収束するまで実行する。
ステップ3) テンソルの構成:
テンソル構築部3は、ユーザ、インスタンス、クラスの3モードからなるテンソルχを構成する。テンソル上の座標を記憶部5に用意する。ここでテンソル上の座標(u,i,c)にセットする値は、記憶部5からステップ2のpersonalized page rankで計算された値に基づいてセットする。対応する値がない場合は、null値がセットされる。
テンソル構築部3は、ユーザ、インスタンス、クラスの3モードからなるテンソルχを構成する。テンソル上の座標を記憶部5に用意する。ここでテンソル上の座標(u,i,c)にセットする値は、記憶部5からステップ2のpersonalized page rankで計算された値に基づいてセットする。対応する値がない場合は、null値がセットされる。
ステップ4) 欠損値推定部4は、記憶部5から構築されたテンソルχを読み出し、テンソルχの低ランク性を仮定して、テンソル分解の方法としてtucker分解を用いると、下記のようなコアテンソルgと因子行列U,V,Wに分解できる。ここで因子行列の列ベクトルは正規直交である。
捕捉であるが、テンソル分解の方法としては、繰り返し最適化による順最適化を行うのが一般的である。基本的には与えられたテンソルを2乗誤差の意味で最適近似するような分解を求める。
図4に、本発明を商品推薦に適用した例を示す。
図4の商品推薦装置は、上記の欠損値予測方法で求められる欠損値を、ユーザが関心を持つ商品として予測するものである。
商品推薦装置は、ベクトル作成部1、関連性計算部2、テンソル構築部3、商品予測部4、記憶部5から構成され、個人(ユーザ)の商品に対する消費頻度からなるユーザの商品の消費履歴(ユーザ、アイテム、クラス)と、WikiPedia(登録商標)などの情報源から得られる商品のクラス階層構造であるタクソノミが入力され、上記の処理を行うことにより、アイテムと予測値からなる推薦アイテム集合が出力される。
入力されたユーザの商品の消費履歴とタクソノミは記憶部5に格納される。
関連性計算部2は、記憶部5に格納されている消費履歴を参照して、ユーザが購入した商品と、消費履歴にはない別の商品の関連度をタクソノミを用いて計算する。
テンソル構築部3は、入力された消費頻度と関連性計算部2で計算された関連度を基に、ユーザ、商品、クラスからなる3次元のテンソルを構築し、記憶部5に格納する。
商品予測部4は、構築されたテンソルをテンソル分解法により分解及び復元することで、ユーザが関心を持ちうる商品を予測し、推薦結果として出力する。
[実験]
twitter(登録商標)上での音楽視聴履歴をクロールしたデータセットを用いて検証を実施した。7月6日から7月13日までのデータセットPを用い、7月14日から7月21日のデータセットRでの視聴を予測した結果を示す。結果として、本発明の手法が、他の場合に比べて精度が大幅に良いことを確認した。比較手法の「2次元行列へ適用した場合:matrix factorization相当」というのは、非特許文献3そのものではないが、近い手法である。非特許文献3は、アーチスト、アルバム、ジャンルへのバイアスの入れ方を学習するものであるが、この実験における方法ではバイアスの入れ方を関連性計測法pprによる方法にしており、本発明とバイアスの入れ方を揃えている分、公平な実験であるといえる。
twitter(登録商標)上での音楽視聴履歴をクロールしたデータセットを用いて検証を実施した。7月6日から7月13日までのデータセットPを用い、7月14日から7月21日のデータセットRでの視聴を予測した結果を示す。結果として、本発明の手法が、他の場合に比べて精度が大幅に良いことを確認した。比較手法の「2次元行列へ適用した場合:matrix factorization相当」というのは、非特許文献3そのものではないが、近い手法である。非特許文献3は、アーチスト、アルバム、ジャンルへのバイアスの入れ方を学習するものであるが、この実験における方法ではバイアスの入れ方を関連性計測法pprによる方法にしており、本発明とバイアスの入れ方を揃えている分、公平な実験であるといえる。
一般的に協調フィルタリングの検証において用いられている検証基準を採用し、本発明では、P内のアイテムに対する予測値と実際の評価値との誤差を示す指標であるMean Absolute Error(MAE)を用いる。この指標は以下の式で表される。ここでは、nはP内のエントリの数であり、PiとRiはそれぞれ各エントリiに対する予測値と実際の評価値である。
mae=8.964807573131538e-01
2.pprにより欠損値を埋めた場合(core tensor次元数 200)
mae=6.471668040528389e-01
3.単純にrandom分布をpprで欠損値入れた分だけ、入れてみる(core tensor次元数 200)
mae=9.254317810583369e-01
4.2次元の行列へ適用した場合:matrix factorization 相当(core tensor次元数 20)
mae=8.546303326790184e-01
5.2次元の行列へ適用した場合:matrix factorization相当(core tensor次元数 200)
mae=8.680556911316474e-01
6.2次元の行列へ適用した場合:matrix factorization 相当,pprも実施(core tensor次元数 20)
mae=8.938438340040192e-01
7.2次元の行列へ適用した場合:matrix factorization相当,pprも実施(core tensor次元数 200)
mae=8.980591026316034e-01
<従来技術との差異>
本発明と前述の従来技術(非特許文献2,3)との違いは以下の通りである。
非特許文献2は、タクソノミを用いておらず、データ間の関係を訓練データセットから学習する必要がある。そのため、補助情報の学習を可能にするだけのデータセットが少ない場合など、疎なデータセットを扱う場合に精度が劣化する可能性がある。また、補助情報の学習を余分に行う分、計算時間が掛かるという問題がある。
非特許文献3は、matrix factorizationの研究であり、tensor factorizationではない。また、genreを用いている。tensor factorizationではユーザ、アイテムの関係のみでなく、ユーザ、クラスとクラス、アイテムの関係をも用いて、欠損値を埋めるため、これらの関係を用いて実験でも示すように大幅に精度を改善できたと考えられる。
なお、上記の図2の欠損予測装置の構成要素、図4の商品推薦装置の構成要素の動作をプログラムとして構築し、欠損予測装置、商品推薦装置として利用されるコンピュータにインストールして実行させる、または、ネットワークを介して流通させることが可能である。
本発明は、上記の実施の形態に限定されることなく、特許請求の範囲内において、種々変更・応用が可能である。
1 ベクトル作成部
2 関連性計算部
3 テンソル構築部
4 欠損値推定部、商品予測部
5 記憶部
2 関連性計算部
3 テンソル構築部
4 欠損値推定部、商品予測部
5 記憶部
Claims (5)
- 複数次元のデータ間の関係を表現するテンソルを用いて欠損値を予測する欠損値予測装置であって、
複数次元の関係を示す観測データと、各次元の背景知識となるタクソノミを入力として、該観測データと未観測データとの間の関連度を計算する関連性計算手段と、
前記観測データに加えて、前記未観測データに対し、計算された前記関連度を用いて、複数次元の関係を表現するテンソルを構築するテンソル構築手段と、
前記テンソルをテンソル分解法により分解及び復元することで、前記未観測データに対する欠損値を推定する欠損値推定手段と、
を有することを特徴とする欠損値予測装置。 - 複数次元のデータ間の関係を表現するテンソルを用いて欠損値として、ユーザが次に購入する商品を予測する商品推薦装置であって、
ユーザの商品に対する消費頻度からなるユーザの商品の消費履歴を観測データとし、情報源から得られる商品のクラス構造であるタクソノミを入力として、該観測データと該ユーザが購入した商品とは別の商品との関連度を該タクソノミを利用して計算する関連性計算手段と、
前記消費履歴と計算された前記関連度を用いて、ユーザ、商品、クラスからなる3次元のテンソルを構築するテンソル構築手段と、
前記テンソルをテンソル分解法により分解及び復元することで、ユーザが関心を持ちうる商品を推定する商品予測手段と、
を有することを特徴とする商品推薦装置。 - 複数次元のデータ間の関係を表現するテンソルを用いて欠損値を予測する欠損値予測方法であって、
関連性計算手段、テンソル構築手段、欠損値推定手段と、を有する装置において、
前記関連性計算手段が、複数次元の関係を示す観測データと、各次元の背景知識となるタクソノミを入力として、該観測データと未観測データとの間の関連性を計算する関連性計算ステップと、
前記テンソル構築手段が、前記観測データに加えて、前記未観測データに対し、計算された前記関連性を用いて、複数次元の関係を表現するテンソルを構築するテンソル構築ステップと、
前記欠損値推定手段が、前記テンソルをテンソル分解法により分解及び復元することで、前記未観測データに対する欠損値を推定する欠損値推定ステップと、
を行うことを特徴とする欠損値予測方法。 - 複数次元のデータ間の関係を表現するテンソルを用いて欠損値として、ユーザが次に購入する商品を予測する商品推薦方法であって、
関連性計算手段、テンソル構築手段、商品予測手段と、を有する装置において、
前記関連性計算手段が、ユーザの商品に対する消費頻度からなるユーザの商品の消費履歴を観測データとし、情報源から得られる商品のクラス構造であるタクソノミを入力として、該観測データと該ユーザが購入した商品とは別の商品との関連性を、該タクソノミを利用して計算する関連性計算ステップと、
前記テンソル構築手段が、前記消費履歴と計算された前記関連性を用いて、ユーザ、商品、クラスからなる3次元のテンソルを構築するテンソル構築ステップと、
前記商品予測手段が、前記テンソルをテンソル分解法により分解及び復元することで、ユーザが関心を持ちうる商品を推定する商品予測ステップと、
を行うことを特徴とする商品推薦方法。 - コンピュータを、
請求項1記載の欠損値予測装置または、請求項2記載の商品推薦装置の各手段として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012161005A JP5826721B2 (ja) | 2012-07-19 | 2012-07-19 | 欠損値予測装置及び商品推薦装置及び方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012161005A JP5826721B2 (ja) | 2012-07-19 | 2012-07-19 | 欠損値予測装置及び商品推薦装置及び方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014021797A JP2014021797A (ja) | 2014-02-03 |
JP5826721B2 true JP5826721B2 (ja) | 2015-12-02 |
Family
ID=50196585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012161005A Expired - Fee Related JP5826721B2 (ja) | 2012-07-19 | 2012-07-19 | 欠損値予測装置及び商品推薦装置及び方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5826721B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7199203B2 (ja) | 2018-11-16 | 2023-01-05 | 株式会社Cygames | ゲームプログラムを検査するためのシステム、方法、プログラム、機械学習支援装置、及びデータ構造 |
CN112989176A (zh) * | 2019-12-12 | 2021-06-18 | 国网电子商务有限公司 | 一种信息推荐方法及装置 |
CN113051404B (zh) * | 2021-01-08 | 2024-02-06 | 中国科学院自动化研究所 | 一种基于张量分解的知识推理方法、装置、设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5318034B2 (ja) * | 2010-05-31 | 2013-10-16 | 日本電信電話株式会社 | 情報提供装置、情報提供方法、及び情報提供プログラム |
-
2012
- 2012-07-19 JP JP2012161005A patent/JP5826721B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2014021797A (ja) | 2014-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hao et al. | Model selection for high-dimensional quadratic regression via regularization | |
Zhou et al. | SVD-based incremental approaches for recommender systems | |
Audouze et al. | Nonintrusive reduced‐order modeling of parametrized time‐dependent partial differential equations | |
Lu et al. | Multilinear factorization machines for multi-task multi-view learning | |
Jing et al. | Sparse probabilistic matrix factorization by laplace distribution for collaborative filtering | |
Shi et al. | Unifying rating-oriented and ranking-oriented collaborative filtering for improved recommendation | |
Bungartz et al. | Option pricing with a direct adaptive sparse grid approach | |
Carrapatoso et al. | Uniqueness and long time asymptotics for the parabolic–parabolic Keller–Segel equation | |
Ifada et al. | Tensor-based item recommendation using probabilistic ranking in social tagging systems | |
Khan et al. | Design of momentum fractional stochastic gradient descent for recommender systems | |
Djaballah et al. | Construction of parametric barrier functions for dynamical systems using interval analysis | |
Nasiri et al. | Adjusting data sparsity problem using linear algebra and machine learning algorithm | |
Liang et al. | A broad learning approach for context-aware mobile application recommendation | |
JP5903369B2 (ja) | 欠損値予測装置及び方法及びプログラム及び商品推薦装置及び方法及びプログラム | |
Wang et al. | Kernel functional maps | |
JP5826721B2 (ja) | 欠損値予測装置及び商品推薦装置及び方法及びプログラム | |
Hull | Machine learning for economics and finance in tensorflow 2 | |
Mongia et al. | Matrix completion on multiple graphs: Application in collaborative filtering | |
Hsieh et al. | Forward–backward solution of quantum-classical Liouville equation in the adiabatic mapping basis | |
Shen et al. | Well-posedness and dynamics of stochastic fractional model for nonlinear optical fiber materials | |
Grigoriu | Effective conductivity by stochastic reduced order models (SROMs) | |
Ben-Shaul et al. | Deep learning solution of the eigenvalue problem for differential operators | |
Phuong | Collaborative filtering with a graph-based similarity measure | |
Osychenko et al. | Ewald method for polytropic potentials in arbitrary dimensionality | |
Assous et al. | Indeterminate constants in numerical approximations of PDEs: A pilot study using data mining techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20141020 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20151013 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20151014 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5826721 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |