抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
情報過負荷問題を緩和するために,推奨技術が出現し,繁栄している。%の最も広く使用されている推奨手法として,協調フィルタリングアルゴリズムは,データスパース性およびコールドスタート問題を抱えている。,ユーザと項目間の正確な類似性とこれらのアルゴリズムによる予測の信頼できる基礎を得るために,準最適推奨品質に導くことは困難である。多くの最新の方法は,通常,データは線形超平面,そうではないに分布していると仮定した。評価データは,ユーザの多面的関心を反映し,通常非線形依存性を持っている。本論文では,データをマッピング高次元空間への,この新しい特徴空間における類似性情報を学習する。カーネル法は多くの実世界アプリケーションにおける複雑な関係を捕捉するための効果的であることが知られている。まず,単一カーネルベースアルゴリズムを提案した。カーネル法の性能はカーネルの選択に大きく依存することが知られている。そのような依存性を緩和するために,さらに多重カーネルベースアルゴリズムを開発した。六つの実世界データセット上での実験結果は,提案したアルゴリズムがいくつかの最先端推奨法の性能を顕著に改善することを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】