协同过滤系统的稀疏性与冷启动问题研究，挺好的一个文档

为了对用户的项目进行推荐以进行历史用户评级，正在使用几种智能系统。 最常见的方法是推荐系统。 发挥主要作用的主要领域是社交网络，数字营销，在线购物和电子商务。 推荐系统由几种建议技术组成。 在这里，我们使用了众所周知的协作过滤（CF）方法。 存在两种类型的问题，协作过滤主要解决这些问题。 它们是完全冷启动（CCS）问题和不完全冷启动（ICS）问题。 作者提出了三种新颖的方法，例如协同过滤，人工神经网络以及最后的支持向量机来解决CCS和ICS问题。 基于特定的深度神经网络SADE，我们可以删除产品的特征。 通过使用顺序激活的用户和产品特性，我们可以适应最新技术CF模型，时间SVD ++的冷启动产品额定值。 拟议的系统由Netflix评级数据集组成，该数据集用于执行基线技术来对冷启动项目进行评级预测。 在ICS项上比较了两种推荐技术的计算结果，证明了该方法的适应性。 由于冷启动转移到非冷启动状态，因此所提出的方法能够转移产品。 这里采用人工神经网络（ANN）提取项目内容特征。 用户偏好之一（例如时间动态）用于将满足的特征获取到预测中以克服这些问题。 对于分类过程，与早期方法相比，我们使用了