Key points are not available for this paper at this time.
Die Empfehlung rein kalter Startartikel ist eine langjährige und grundlegende Herausforderung in Empfehlungssystemen. Ohne historische Interaktionen bei kalten Startartikeln ist das kollaborative Filterungsverfahren (CF) nicht in der Lage, kollaborative Signale zu nutzen, um die Nutzerpräferenz für diese Artikel abzuleiten. Um dieses Problem zu lösen, wurden umfangreiche Studien durchgeführt, um Zusatzinformationen über Artikel (z.B. Inhaltsmerkmale) in das CF-Verfahren zu integrieren. Dabei werden moderne Techniken neuronaler Netzwerke (z.B. Dropout, Konsistenzbeschränkung) eingesetzt, um den Koalitionseffekt von Inhaltsmerkmalen und kollaborativen Repräsentationen zu entdecken und zu nutzen. Wir argumentieren jedoch, dass diese Arbeiten die gegenseitigen Abhängigkeiten zwischen Inhaltsmerkmalen und kollaborativen Repräsentationen weniger untersuchen und an ausreichenden theoretischen Grundlagen mangeln, was zu unzufriedener Leistung bei Cold-Start-Empfehlungen führt.
Building similarity graph...
Analyzing shared references across papers
Loading...
Yinwei Wei
Xiang Wang
Qi Li
National University of Singapore
Shandong University
Kuaishou (China)
Building similarity graph...
Analyzing shared references across papers
Loading...
Wei et al. (Sun,) untersuchten diese Frage.
www.synapsesocial.com/papers/697b9d61603e8976bec03e2d — DOI: https://doi.org/10.1145/3474085.3475665
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: