Context-aware factorization methods for implicit feedback based
recommendation problems
Hidasi BalzsNyilvnos vita2016. 06. 28.
Tmavezet: Dr. Magyar GborKls konzulens: Dr. Tikk Domonkos
Budapesti Mszaki s Gazdasgtudomnyi EgyetemVillamosmrnki s
Informatikai KarInformatikai Tudomnyok Doktori IskolaContext-aware
factorization methods for implicit feedback based recommendation
problems(Kontextus-vezrelt faktorizcis mdszerek implicit feedback
alap ajnlsi problmkra)
TartalomTerlet ttekintseAjnlrendszerekAjnlalgoritmusokInterakcik
(fbb) tpusaiContext-awarenessKirtkelsMtrixfaktorizci inicializlsa
(1. tziscsoport)Context-aware faktorizci implicit adatokoniTALS (2.
tziscsoport)iTALSx (3. tziscsoport)Algoritmusok sszehasonltsa (4.
tziscsoport)ALS sklzdsnak javtsa (5. tziscsoport)GFF General
Factorization Framework (6. tziscsoport)sszefoglals
1/32
1
AjnlrendszerekInformation overloadAjnlrendszer: Olyan
informciszr szolgltats, ami segti a felhasznlt az information
overload problma kezelsben, azltal, hogy automatikusan (a felhasznl
aktv beavatkozsa nlkl is) relevns (azaz nekik tetsz, hasznos)
termkeket/tartalmat jelent meg szmukra.Tbb komponenst tartalmazA
lelke az ajnl algoritmusTop-N ajnls: Termkek sorrendezse (becslt)
relevancia szerint a felhasznlknakAz els nhny (N) elem
kiajnlsa2/32
AjnlalgoritmusokCollaborative filtering (CF)Szomszd
mdszerekModell alap mdszerekMtrixfaktorizci
Content-based filtering (CBF)DemografikusTudsbzis alapSzocilis
hl alapHibrid
3/32
Interakcik fbb tpusaiExplicit feedback:rtkelsekExplicite kdoljk
a preferencitFelhasznli hozzjrulst ignyelnekKis(ebb) mennyisgben
rhet el (ha egyltaln)Implicit feedbackFelhasznl passzv
monitorozsval gyjttt interakcikPreferencira kvetkeztetni kellZajos
pozitv preferenciaNegatv preferencia a hinyz esemnyekbenGyenge
negatv jelzsNagy mennyisgben elrhetA gyakorlatban fontos
eset4/32
Context-awarenessContext: brmilyen olyan tovbbi informci, ami
rendelkezsre ll az interakcikrl.Az esemnyhez rendelt informci, nem
a termkhez vagy a felhasznlhoz kln-kln.Context-awareness: Context
informci felhasznlsa az ajnlskor.Contextual modeling: A contextet
kzvetlenl kezel algoritmusok csoportja.Context figyelembe vtelvel
jobb ajnlsok adhatakViselkeds pontosabb modellezseMagas fok
adaptcis kpessg5/32
Context tpusokSzezonalitsPeriodikus viselkedsmintzatok
jellemzek.Szezon (peridus)Idszakok a szezonon bellContext rtke az
aktulis idszakPlda: szezon nap; idszakok: reggel, dleltt,
Szekvencilis contextFelhasznl elz interakcijnak termkeAsszocicis
szably szer sszefggsekKiegszt termkekHasonl termkekltalam
javasoltHelyEszkz6/32
Kirtkels5 vals letbl szrmaz implicit adatbzis+1 implicitt
alaktott explicit adatsor (csak az 1. tziscsoportnl)Offline
kirtkelsId alap sztoszts tant s teszt adatokraTeszt adatok
esemnyei: adott felhasznl relevns termkei a tesztidszakbanF mrtk:
recall@NRelevns s kiajnlottak szma a relevnsokhoz kpestGyakorlatban
hasznos mrtkN kicsi (10-50, ltalban 20)7/32
Mtrixfaktorizci inicializlsa1. tziscsoport
Feature mtrixok inicializlsaMF vletlenszer mtrixokbl indul
kiBetantott feature mtrixokban a hasonl termkek jellemzvektorai
hasonlakIndtsuk az MF mdszereket olyan feature vektorokbl, ahol a
valamilyen szempontbl hasonl termkek (vagy felhasznlk) feature
vektorai hasonlakEzzel kls informcit vihetnk az MF-beNem teljesen
context-aware megolds3 javasolt mdszerKzs rsz:Ler mtrix: ritka
vektorok az egyes termkekhez rendelveMetaadatokContext llapotokban
val elfordulsaik szmaFaktorizljuk ezt a mtrixot(1) Hasznljuk az gy
kialakult termkjellemzket(2) SimFactor: Mdostsuk gy a
termkjellemzket, hogy a skalrszorzatuk a lervektorok hasonlsgt
kzeltse(3) Sim2Factor: Definiljuk a termkek hasonlsgt gy, mint a
tbbi termkkel vett hasonlsgokbl kialakult vektorok hasonlsgt; s
mdostsuk gy a feature vektorokat, hogy a skalrszorzatuk ezt az
rtket kzeltse9/32
SimFactor algoritmus
Hasonlsg: (transzformlt) lermtrix s a transzponltjnak
szorzataLermtrix kzeltst behelyettestve hatkonyan ki tudunk szmolni
olyan feature vektorokat, amelyek skalrszorzata a hasonlsgokat
kzeltiAz eredeti faktorizlshoz kpest ennek az ideje
elhanyagolhatSim2Factor hasonl, csak 4-szer szorzom a ler mtrixot
nmagval10/32
EredmnyekSimFactor valban jobban kzelti a hasonlsgokaktulis
rtkthasonlsgok rendszert (sorrendezs)Inicializlsnl, adatsortl fggen
ms mdszer a legjobbMindhrom mdszer jl teljest a vletlenszer
inicializlshoz kpestContext alap lervektorokbl jobb inicializls
lesz, mint metaadatokbl (top5-be az utbbi nem kerlt be)Tbb informci
egyttes hasznlata inicializlskorLerk sszefzse: nem javtFeature
vektorok slyozott sszegnek hasznlata: tovbbi nhny szzalk javuls
11/32
1. tziscsoportJavasoltam, hogy a mtrix faktorizcis mdszerek
inicializlshoz hasznljunk fel egyb, a termkekrl (vagy a
felhasznlkrl) rendelkezsre ll informcit, hogy megnveljk az ajnlsok
pontossgt. 1.1. tzis: Javasoltam, hogy a mtrix faktorizcit a
szoksos vletlenszer kiindulsi mtrixok helyett az entitsok hasonlsgt
kihasznl mtrixokbl indtsuk. Az gy kapott inicializl sma ltalnos s
brmilyen mtrix faktorizci esetn felhasznlhat. A sma kt lpse a
kvetkez: (1) rendeljnk lervektorokat az entitsokhoz; (2) tmrtsk a
lervektorokat, hogy a tmrtett informci mrete megegyezzen a
jellemzvektorokval. Az implicit ALS mdszeren s t adatsoron
alkalmazva megmutattam, hogy az inicializl sma jelentsen megnveli
az ajnlsi pontossgot (recall s MAP mrszmok tekintetben).1.2. tzis:
Javasoltam a SimFactor algoritmust, ami olyan jellemzvektorok
ellltsra kpes, amelyek jobban megrzik az entitsok kztti
hasonlsgokat. A SimFactor nem ignyli a gyakorlatban nehezen
kiszmthat teljes hasonlsgmtrix kiszmtst. t adatsoron megmutattam,
hogy a mdszer ltal ltrehozott jellemzvektorok jobban kzelti a
hasonlsgokat, mint a lervektorok egyszer tmrtsvel kapottak.
Megmutattam, hogy az gy kapott vektorok ltalban az inicializls sorn
is jobban teljestenek.1.3. tzis: Javasoltam a Sim2Factor
algoritmust, ami olyan jellemz vektorok ellltsra kpes, amik az
entitsok egymshoz val hasonlsga alapjn definilt hasonlsg rtkeket
kpesek kzelteni. A Sim2Factor nem ignyli a gyakorlatban nehezen
kiszmthat teljes hasonlsgmtrix kiszmtst. Megmutattam, hogy az gy
kapott jellemzvektorok hasznosak az inicializlskor.1.4. tzis:
Javasoltam, hogy az entitsok lershoz hasznljuk a kontextust.
Megmutattam, hogy a kontextus alap lerk jobbak az inicializlshoz,
mint a metaadat alapak. Megmutattam, hogy a kontextus s metaadat
alap inicializlsok kombinlsa tovbb javtja az ajnlsi
pontossgot.Kapcsold publikcik:B. Hidasi & D. Tikk: Enhancing
matrix factorization through initialization for implicit feedback
databases. CaRR 2012.B. Hidasi & D. Tikk:Initializing matrix
factorization methods on implicit feedback databases. Journal of
Universal Computer Science, 19(12): 18341853, June 2013.12/32
Context-aware faktorizci implicit adatokoniTALS 2.
tziscsoportiTALSx 3. tziscsoportAlgoritmusok sszehasonltsa 4.
tziscsoport
Modellezs14/32
Clfggvny optimalizlsaAlternating Least Squares (ALS)Iteratv
optimalizl eljrsEgy kivtelvel az sszes feature mtrixot fixljukEgy
idben egy feature mtrixot szmtjuk kiLineris modellek esetn a
clfggvny konvex egy adott feature mtrix paramtereiben, ha a tbbi
rtke fixLegkisebb ngyzetes megolds ltezik s kiszmolhatSzmtsok okos
szeparlsaA feature mtrixok nav kiszmolsa rosszul sklzdnaElre
kiszmolhat statisztikkAlacsony szmtsigny frisstsek
15/32
iTALS
DataKiALSiTALS (S)iTALS (Q)Grocery200.06490.0990 (+52.59%)0.1220
(+88.02%)400.07140.1071 (+50.01%)0.1339 (+87.59%)800.08610.1146
(+33.04%)0.1439 (+67.05%)TV1200.11890.1167 (-1.85%)0.1417
(+19.15%)400.11110.1235 (+11.20%)0.1515 (+36.38%)800.09260.1167
(+25.99%)0.1553 (+67.60%)TV2200.21620.1734 (-19.82%)0.2322
(+7.40%)400.21610.2001 (-7.41%)0.3103 (+43.60%)800.21450.2123
(-1.02%)0.2957 (+37.82%)LastFM200.04480.0674 (+50.56%)0.1556
(+247.57%)400.06230.0888 (+42.61%)0.1657 (+166.07%)800.09220.1290
(+39.90%)0.1864 (+102.18%)VoD200.06330.0778 (+22.79%)0.1039
(+64.07%)400.07580.0909 (+19.96%)0.1380 (+82.18%)800.08840.0996
(+12.73%)0.1723 (+94.99%)
16/32
2. Tziscsoport - iTALSJavasoltam az iTALS algoritmust az
implicit feedback alap kontextus-vezrelt ajnlsi problmra.2.1. tzis:
Kifejlesztettem az iTALS algoritmust, egy tenzor faktorizcis
algoritmust, ami pontszer preferenciabecslst vgez azltal, hogy a
ngyzetes hiba slyozott ngyzetsszegre optimalizl. A preferencikat az
N-utas modellel, azaz dimenzinknt egy-egy jellemz vektor elemenknti
szorzatban lv elemek sszegvel kzelti. Megmutattam, hogy az iTALS jl
hasznlhat az implicit feedback alap kontextus-vezrelt problmra gy,
hogy egyeseket hasznlunk a pozitv s nullkat a hinyz esemnyek esetn,
mint preferencia rtket, mikzben az elbbieket jelentsen
fellslyozzuk.2.2. tzis: Megmutattam, hogy az iTALS jelentsen jobban
teljest a recallal kifejezett ajnlsi pontossg szempontjbl, mint a
kontextust figyelembe nem vev implicit mtrix faktorizci, valamint
egy elszrsre pt kontextus-vezrelt mdszer.2.3. tzis: Megmutattam,
hogy az iTALS hatkonyan tanthat ALS-sel az implicit feedback alap
kontextus-vezrelt ajnlsi problmn. Megmutattam, hogy az iTALS a
gyakorlatban is hatkonyan tanthat, mivel linerisan sklzdik az
esemnyek szmval, s ngyzetesen a gyakorlatban hasznlt tartomnyon a
ltens jellemzk szmval.Kapcsold publikciB. Hidasi & D. Tikk:
Fast ALS-based tensor factorization for context-aware
recommendation from implicit feedback. ECML-PKDD 2012.17/32
iTALSxDataKiALSiTALSx (S)iTALSx (Q)Grocery200.06490.1027
(+58.35%)0.1182 (+82.29%)400.07140.1164 (+63.07%)0.1299
(+81.92%)800.08610.1406 (+63.23%)0.1431 (+66.14%)TV1200.11890.1248
(+4.92%)0.1524 (+28.18%)400.11110.1127 (+1.46%)0.1417
(+27.53%)800.09260.0942 (+1.67%)0.1295 (+39.77%)TV2200.21620.2220
(+2.69%)0.2393 (+10.68%)400.21610.2312 (+6.98%)0.2866
(+32.61%)800.21450.2223 (+3.62%)0.3006
(+40.12%)LastFM200.04480.0503 (+12.33%)0.1675
(+274.35%)400.06230.0599 (-3.85%)0.1869 (+200.18%)800.09220.0928
(+0.67%)0.1984 (+115.18%)VoD200.06330.0790 (+24.69%)0.0821
(+29.67%)400.07580.0916 (+20.87%)0.1068 (+40.93%)800.08840.0990
(+11.99%)0.1342 (+54.88%)
18/32
3. Tziscsoport - iTALSxJavasoltam az iTALSx algoritmust, mint
egy alternatv megoldst az implicit feedback alap kontextus-vezrelt
ajnlsi problmra.3.1. tzis: Kifejlesztettem az iTALSx algoritmust,
egy tenzor faktorizcis algoritmust, ami pontszer preferencia
becslst vgez azltal, hogy a ngyzetes hiba slyozott ngyzetsszegre
optimalizl. A preferencikat a pronknti interakci modellel, azaz
dimenzipronknt a megfelel jellemzvektorok skalrszorzatainak
sszegvel kzelti. Megmutattam, hogy az iTALSx jl hasznlhat az
implicit feedback alap kontextus-vezrelt problmra gy, hogy
egyeseket hasznlunk a pozitv s nullkat a hinyz esemnyek esetn, mint
preferencia rtket, mikzben az elbbieket jelentsen fellslyozzuk.3.2.
tzis: Megmutattam, hogy az iTALSx jelentsen jobban teljest a
recallal kifejezett ajnlsi pontossg szempontjbl, mint a kontextust
figyelembe nem vev implicit mtrix faktorizci, valamint egy elszrsre
pt kontextus-vezrelt mdszer.3.3. tzis: Megmutattam, hogy az iTALSx
hatkonyan tanthat ALS-sel az implicit feedback alap
kontextus-vezrelt ajnlsi problmn. Megmutattam, hogy az iTALSx a
gyakorlatban is hatkonyan tanthat, mivel linerisan sklzdik az
esemnyek szmval, s ngyzetesen a gyakorlatban hasznlt tartomnyon a
ltens jellemzk szmval.Kapcsold publikci:B. Hidasi: Factorization
models for context-aware recommendations. Infocommunications
Journal, VI(4):2734, 2014.19/32
sszehasonltsokiTALS s iTALSxiTALS: felhasznl-termk relci
tslyozsa context fgg slyvektorralErsebb lererrzkenyebb a zajokra
kis faktorszm esetn (jellemzk sszemosdsa)iTALSx: felhasznl-termk,
felhasznl-context s termk-context interakcik sszessgeGyengbb
lererKis faktorszm esetn is jl teljestiTALS elnys, ha az adat srbb
(komplexebb) s/vagy magasabb faktorszmot hasznlunk; ellenkez
esetben az iTALSx hasznlata javasoltSzezonalits s szekvencilis
contextSzekvencilis context mindkt algoritmussal jobb eredmnyeket
ad, mint a szezonalits
20/32
4. tziscsoportKsrleteket folytattam iTALS s iTALSx
algoritmusokkal, sszehasonltottam ket, valamint meghatroztam egy
knnyen hasznlhat kontextus dimenzit. 4.1. tzis: Javasoltam egy
jszer kontextus dimenzi, szekvencilis kontextus, hasznlatt ajnlsi
problmknl. Egy esemny szekvencilis kontextusa az ugyanezen
felhasznl elz esemnynek termke. Megindokoltam, hogy a kontextus
szles krben elrhet a gyakorlatban, hiszen csak az esemnyek
sorrendezhetsgre pt, ami a legtbb esetben adott. Megmutattam, hogy
a szekvencilis kontextus hasznlatval az ajnls pontossga szles krben
(klnbz adatsorok, algoritmusok, modellek, jellemz szmok esetn)
jelentsen megnvelhet a kontextust nem, valamint a szezonalitst
hasznl esetekhez kpest.4.2. tzis: sszehasonltottam az iTALS (N-utas
modell) s az iTALSx (pronknti modell) algoritmusokat. Az N-utas
modell hasznlata megfelelbb akkor, ha a jellemzk szma magas s/vagy
az adatsor srbb; egybknt pedig a pronknti modell hasznlatt
javaslom.21/32
ALS sklzdsnak javtsa5. tziscsoport
Kzelt mdszerek ALS-re23/32
Eredmnyek
SklzdsTrade-offPontossgMdszerALS-hez hasonl pontossgALS-nl
gyengbben teljestALS-nl jobban teljestNem ad eredmnytCG62
(82.67%)10 (13.33%)3 (4%)0 (0%)CD57 (76%)7 (9.33%)2 (2.67%)9
(12%)
24/32
5. tziscsoportJavasoltam kt kzelt mdszert az ALS tants
felgyorstsra. 5.1. tzis: Javasoltam egy konjuglt gradiens alap ALS
kzeltst, ami ltalnosan hasznlhat ALS alap faktorizcis
algoritmusokban. Megmutattam, hogy a mdszer a gyakorlatban hasznlt
rtkek esetn linerisan sklzdik a ltens jellemzk szmval. Megmutattam,
hogy a megolds lehetv teszi magas szm ltens jellemz hasznlatt s
jobb kompromisszumok felfedezst a futsi id s a pontossg kztt.
Megmutattam, hogy a mdszer csak minimlisan mdostja az ajnlsok
pontossgt az ALS-hez hasonltva.5.2. tzis: Javasoltam egy
jellemznknti optimalizlsra pt ALS varinst, ami ltalnosan hasznlhat
ALS alap faktorizcis algoritmusokban. Megmutattam, hogy a mdszer a
gyakorlatban hasznlt rtkek esetn linerisan sklzdik a ltens jellemzk
szmval. Megmutattam, hogy a megolds lehetv teszi magas szm ltens
jellemz hasznlatt s jobb kompromisszumok felfedezst a futsi id s a
pontossg kztt. Megmutattam, hogy a mdszer csak minimlisan mdostja
az ajnlsok pontossgt az ALS-hez hasonltva.5.3. tzis: Tbb szempont
szerint is sszehasonltottam a konjuglt gradiensre s a jellemznknti
optimalizlsra pt kzelt megoldsokat. Megmutattam, hogy a konjuglt
gradiens alap mdszer jobb, mivel (a) a pontossga jobban kzelti az
ALS-t; (b) gyorsabb; (c) jobban sklzdik; s (d) stabilabb.5.4. tzis:
Meghatroztam egy j kompromisszumot a futsi id s az ajnls pontossga
kztt a kzelt mdszerekhez. Ennek elrshez azt javasoltam, hogy a bels
itercik szmt lltsuk 2-re.Kapcsold publikci:B. Hidasi & D. Tikk:
Speeding up ALS learning via approximate methods for context-aware
recommendations. Knowledge and Information Systems.25/32
GFF General Factorization Framework6. tziscsoport
Flexibilis modellezsKlnfle modellek ms szituciban hasznosakAz
irodalomban kt modellt hasznlnakN-wayPairwiseEzek szimmetrikusak,
ajnlsnl van kt kitntetett dimenziAlap GFF:Tenzorba szervezhet
adatokon (SA-MDM) dolgozikA preferenciamodell az algoritmus
bemeneteTetszleges lineris modell lehetPointwise
vesztesgfggvnySlyozott ngyzetes hibk sszegeSlyfggvnyen keresztl
egyb ismeretek is bevihetek a tanulsba (pl. decay, missing not at
random, stb.)Jl sklzd ALS-CG tanuls27/32
j modellekModell komponensekUIFelhasznl-termk interakciUSI / UQI
/ USQIContext-fggen slyozott felhasznl-termk interakciUS /
UQContext-fgg felhasznl biasIS / IQContext-fgg termk biasSQContext
interakci, teljes pairwise modellhez
Context interakcik nem hasznosakLehetsges modellek szma magasj
modellek nem szimmetrikusakLteznek konzisztensen jl teljest
modellekInteraction modelContext-interaction modelModellek
sorrendje a faktorszmtl is fggState-of-the-art mdszerekkel szemben
is jl teljestenek
ModelGroceryTV1TV2LastFMVoDUSI+UQI0.15040.15510.29160.19840.1493UI+USI+UQI0.16690.14820.30270.21420.1509USQI0.13900.13150.20090.19060.1268UI+US+IS+UQ+IQ0.13900.13520.23880.18840.0569UI+US+UQ0.16190.09030.13990.19930.0335UI+IS+IQ0.13640,12660.28190.18710.1084UI+US+IS+UQ+IQ+SQ0.13880.13440.23230.18730.0497UI+US+IS+UQ+IQ+USI+UQI0.13890.13520.24270.18660.0558
DataGFFN-wayGFFPairwiseGFFBestLibFMBPRGrocery0.13900.13880.16690.09120.1412TV10.13150.13440.15510.16830.1365TV20.20090.23230.30270.30810.1957LastFM0.19060.18730.21420.06520.2002VoD0.12680.04970.15090.11510.0539
28/32
Kiterjesztett GFFModellEredmnyUI0.1013XI0.2248
(+121.97%)UI+XI0.2322 (+129.36%)UM0.0614 (-39.34%)UI+UM0.2166
(+113.87%)XM0.2154 (+112.77%)
29/32
6. tziscsoport30/32
sszefoglalsGyakorlatban fontos problma (top-N ajnls, implicit
adatokbl) megoldsa faktorizcivalPontosabb ajnlsok context
segtsgvelContext, implicit feedback s faktorizci sszehozsaSajt
fejleszts algoritmusokGyakorlati szempontok, klnsen a sklzds szem
eltt tartsaMinden mdszer linerisan sklzdik az esemnyek szmvalALS
tovbbi gyorstsa kzelt mdszerekkelFlexibilis modellezs problmjra a
GFF a vlaszGyakorlati alkalmazsokGravity Research & Development
Zrt.-nlKiterjedt alkalmazs offline POC-kben, gyflprojektekben,
versenyekenles rendszerben is alkalmaztukCrowdRec FP7-es EU projekt
31/32
PublikcikTzisekhez kapcsold publikcikB. Hidasi & D.
Tikk:Speeding up ALS learning via approximate methods for
context-aware recommendations. Knowledge and Information Systems
(KAIS). July 2015.B. Hidasi & D. Tikk:General Factorization
Framework for Context-aware Recommendations.Data Mining and
Knowledge Discovery (DMKD). May 2015.B. Hidasi:Factorization models
for context-aware recommendations. Infocommunications Journal.
Volume VI. Issue 4. Pages 27-34. December 2014.B. Hidasi & D.
Tikk:Initializing Matrix Factorization Methods on Implicit Feedback
Databases. Journal of Universal Computer Science (J.UCS). Volume
19. Issue 12. Pages 1834-1853. October 2013.B. Hidasi:Context-aware
preference modeling with factorizationDoctoral Symposium at
RecSys'15. Vienna, Austria, September 2015.B. Hidasi & D.
Tikk:Fast ALS-based tensor factorization for context-aware
recommendation from implicit feedback.ECML/PKDD. Bristol, United
Kingdom, September 2012.B. Hidasi & D. Tikk:Enhancing matrix
factorization through initialization for implicit feedback
databases. 2nd Workshop on Context-awareness in Retrieval and
Recommendation. Lisbon, Portugal, February 2012.Tovbbi
ajnlrendszerekhez kapcsold publikcikB. Hidasi, M. Quadrana, A.
Karatzoglou, D. Tikk: Parallel Recurrent Neural Network
Architectures for Feature-rich Session-based Recommendations. 10th
ACM Conference on Recommender Systems, RecSys 2016.B. Hidasi, A.
Karatzoglou, L. Baltrunas, D. Tikk:Session-based recommendations
with recurrent neural networks. International Conference on
Learning Representations (ICLR). San Juan, Puerto Rico, May,
2016.B. Kille, F. Abel, B. Hidasi, S. Albayrak. Using interaction
signals for job recommendations. Mobile Computing, Applications and
Services: 7th International Conference, MobiCASE2015., Berlin,
Germany, November 12-13, 2015.B. Hidasi & D. Tikk:Approximate
modeling of continuous context in factorization algorithms.4th
Workshop on Context-awareness in Retrieval and Recommendation.
Amsterdam, The Netherlands, April 2014.B. Hidasi & D.
Tikk:Context-aware item-to-item recommendation within the
factorization frameworkat 3rd Workshop on Context-awareness in
Retrieval and Recommendation. Rome, Italy, February 2013.B. Hidasi
& D. Tikk: Context-aware recommendations from implicit data via
scalable tensor factorization. arXiv preprint.D. Zibriczky,B.
Hidasi, Z. Petres, D. Tikk:Personalized recommendation of linear
content on interactive TV platforms: beating the cold start and
noisy implicit user feedback. Workshop on TV and multimedia
personalization (TVMMP). Montreal, Canada, July 2012.Tovbbi
publikcikB. Hidasi, Cs. Gspr-Papanek:ShiftTree: An Interpretable
Model-Based Approach for Time Series Classification. ECML/PKDD.
Athens, Greece, September 2011.B. Hidasi:jfajta, automatikus, dntsi
fa alap adatbnyszati mdszer idsorok osztlyozsra. Vgzs Konferencia.
Budapest, Hungary, May 2009.DolgozatokB. Hidasi: Modell alap
idsor-osztlyoz fejlesztse s kiterjesztse. M.Sc. Thesis, Budapest
University of Technology and Economics, Department of
Telecommunications and Mediainformatics.B. Hidasi: jfajta,
automatikus, dntsi fa alap adatbnyszati mdszer idsorok osztlyozsra.
B.Sc. Thesis, Budapest University of Technology and Economics,
Department of Telecommunications and Mediainformatics.B. Hidasi: Az
idsor-osztlyozs problmjnak megoldsa j, dntsi fa alap adatbnyszati
algoritmussal. XXIX. National Students Scientic Conference (OTDK),
Debrecen, 2009.Fggetlen hivatkozsok szma: 72 (Google Scholar
alapjn, 2016. 06. 27.)32/32
Ksznm a figyelmet!
