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。
データスパース性は推薦システムにおける推薦結果の正確性に影響する重要な要素の一つである。データスパース性のために,融合畳込みニューラルネットワーク(CNN)と雑音除去自己符号化(denoisingauto-encoder)を提案した。DAE)ニューラルネットワーク混合のニューラルネットワークスコア予測モデル(convolutional-denosingauto-encoder,CDAE)はユーザーの未採点項目に対して予測採点を行い、それによってデータのスパース性問題を解決している。まず第一に,ベクトル化後の利用者評価データを畳込みニューラルネットワークによって訓練し,次に,ユーザ固有ベクトル行列を,ノイズ除去自己符号化ニューラルネットワークの初期重みとして,そして,ユーザ-プロジェクト予測スコアを,ノイズ除去自己コード化ニューラルネットワークによって訓練し,そして,ユーザ-プロジェクト予測スコアを得た。次に,ユーザに基づく協力的フィルタリング推薦を提案した。最後に、movielens-1M実験データセットを用いて、提案したハイブリッドニューラルネットワーク協調フィルタリング推薦(convolutional-denosingauto-encodercollaborativefiltering)を検証した。CDAECFモデル。実験により,提案したCDAECFモデルは,隠れフィードバックおよび優性フィードバックデータを効果的に結合することができ,そしてそれは,高い推奨精度を持った。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】