Andere Kunden interessierten sich auch für
![Progettazione e implementazione di un sistema di raccomandazione]( "Progettazione e implementazione di un sistema di raccomandazione")
Progettazione e implementazione di un sistema di raccomandazione26,99 €![Ottimizzazione del filtraggio collaborativo basato sull'utente]( "Ottimizzazione del filtraggio collaborativo basato sull'utente")
Ottimizzazione del filtraggio collaborativo basato sull'utente39,90 €![Tecniche di Ridondanza per sistemi basati su Microcontrollore]( "Tecniche di Ridondanza per sistemi basati su Microcontrollore")
Tecniche di Ridondanza per sistemi basati su Microcontrollore32,99 €![Autoefficacia nella ricerca e nel reperimento di informazioni sul Web]( "Autoefficacia nella ricerca e nel reperimento di informazioni sul Web")
Autoefficacia nella ricerca e nel reperimento di informazioni sul Web41,99 €![Comportamento di ricerca di informazioni sul web dell'Università civile etiope]( "Comportamento di ricerca di informazioni sul web dell'Università civile etiope")
Comportamento di ricerca di informazioni sul web dell'Università civile etiope32,99 €![Modellazione computazionale di sistemi complessi]( "Modellazione computazionale di sistemi complessi")
Modellazione computazionale di sistemi complessi23,99 €![Sistemi immuni e multiagente per la schedulazione di un negozio a flusso]( "Sistemi immuni e multiagente per la schedulazione di un negozio a flusso")
Sistemi immuni e multiagente per la schedulazione di un negozio a flusso51,99 €
Il filtraggio collaborativo (CF) è un popolare approccio di raccomandazione che è stato ampiamente studiato negli ultimi due decenni, dando vita a una serie di algoritmi diversi e a un'ampia raccolta di strumenti per valutarne le prestazioni. Questa ricerca propone un nuovo approccio di raccomandazione per affrontare i problemi delle pecore grigie e della scarsità di dati, con l'obiettivo di migliorare l'accuratezza della previsione deducendo nuovi utenti dagli utenti esistenti nei set di dati. Questa trasformazione crea utenti con preferenze opposte a quelle degli utenti reali, aumentando il numero di utenti e risolvendo i due problemi citati. Le prestazioni di questo approccio sono state valutate utilizzando due set di dati, MovieLens e FilmTrust. Nel complesso, questo libro contribuisce allo sviluppo di migliori sistemi di raccomandazione in grado di superare le sfide del sovraccarico di dati e di migliorare l'esperienza dell'utente.