Andere Kunden interessierten sich auch für
![Empfehlungssysteme für Gruppen. Wie man die Genauigkeit verbessert und unterschiedliche Settings abdeckt]( "Empfehlungssysteme für Gruppen. Wie man die Genauigkeit verbessert und unterschiedliche Settings abdeckt")
Empfehlungssysteme für Gruppen. Wie man die Genauigkeit verbessert und unterschiedliche Settings abdeckt42,95 €![3D-Objekterkennung auf der Grundlage von künstlichem Lernen]( "3D-Objekterkennung auf der Grundlage von künstlichem Lernen")
3D-Objekterkennung auf der Grundlage von künstlichem Lernen71,90 €![Optimierung des benutzerbasierten kollaborativen Filterns]( "Optimierung des benutzerbasierten kollaborativen Filterns")
Optimierung des benutzerbasierten kollaborativen Filterns39,90 €![Untersuchung und Entwurf eines Simulators auf der Grundlage einer Prozesssprache]( "Untersuchung und Entwurf eines Simulators auf der Grundlage einer Prozesssprache")
Untersuchung und Entwurf eines Simulators auf der Grundlage einer Prozesssprache39,90 €![Fashion-Recommender]( "Fashion-Recommender")
Fashion-Recommender36,90 €![Ein kollaborativer Ansatz zur Verbesserung der Informationsdarstellung]( "Ein kollaborativer Ansatz zur Verbesserung der Informationsdarstellung")
Ein kollaborativer Ansatz zur Verbesserung der Informationsdarstellung64,90 €![An Approach for Guiding Developers to Performance and Scalability Solutions]( "An Approach for Guiding Developers to Performance and Scalability Solutions")
An Approach for Guiding Developers to Performance and Scalability Solutions47,00 €
Collaborative Filtering (CF) ist ein beliebter Empfehlungsansatz, der in den letzten zwei Jahrzehnten intensiv erforscht wurde, was zu einer vielfältigen Reihe von Algorithmen und einer umfangreichen Sammlung von Tools zur Bewertung ihrer Leistung geführt hat. Diese Forschungsarbeit schlägt einen neuen Empfehlungsansatz vor, um die Probleme der grauen Schafe und der Datenknappheit anzugehen, mit dem Ziel, die Genauigkeit der Vorhersage zu verbessern, indem neue Nutzer aus bestehenden Nutzern in den Datensätzen abgeleitet werden. Durch diese Transformation werden Nutzer mit Präferenzen geschaffen, die denen der tatsächlichen Nutzer entgegengesetzt sind, was die Anzahl der Nutzer erhöht und die beiden genannten Probleme löst. Die Leistung dieses Ansatzes wurde anhand von zwei Datensätzen, MovieLens und FilmTrust, bewertet. Insgesamt trägt dieses Buch zur Entwicklung besserer Empfehlungssysteme bei, die in der Lage sind, die Herausforderungen der Datenüberlastung zu meistern und dieNutzererfahrung zu verbessern.