Los puntos clave no están disponibles para este artículo en este momento.
Como uno de los enfoques más exitosos para construir sistemas de recomendación, el filtrado colaborativo (CF) utiliza las preferencias conocidas de un grupo de usuarios para hacer recomendaciones o predicciones de las preferencias desconocidas de otros usuarios. En este artículo, primero introducimos las tareas de CF y sus principales desafíos, como la escasez de datos, escalabilidad, sinonimia, ovejas grises, ataques de shilling, protección de la privacidad, etc., y sus posibles soluciones. Luego presentamos tres categorías principales de técnicas de CF: algoritmos basados en memoria, basados en modelos y híbridos (que combinan CF con otras técnicas de recomendación), con ejemplos de algoritmos representativos de cada categoría, y un análisis de su rendimiento predictivo y su capacidad para abordar los desafíos. Desde técnicas básicas hasta las más avanzadas, intentamos presentar una encuesta comprensiva de técnicas de CF, que puede servir como hoja de ruta para la investigación y la práctica en esta área.
Building similarity graph...
Analyzing shared references across papers
Loading...
Xiaoyuan Su
Taghi M. Khoshgoftaar
Advances in Artificial Intelligence
Florida Atlantic University
Building similarity graph...
Analyzing shared references across papers
Loading...
Su et al. (Tue,) estudiaron esta cuestión.
www.synapsesocial.com/papers/69dbaf2c387cf706986887be — DOI: https://doi.org/10.1155/2009/421425
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: