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
2022-09-15 00:26:34 3.27MB 协同过滤系统 稀疏性 冷启动
1
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
1