使用混合推荐系统结合协同过滤、基于内容和基于知识的模型,以及决策树、k - 近邻、AdaBoost 和 Bagging 等机器学习模型根据能量指标和学生的食品选择历史,将大学餐厅的食物推荐给学生,其中 AdaBoost 模型的准确率最高,为 73.70%。
Jun, 2023
本文综述了基于深度学习的推荐系统的最新研究进展,提出和总结了深度学习推荐模型的分类法和现有技术的综述,同时扩展了当前趋势并提供了对这一新兴领域的新见解。
Jul, 2017
本研究回顾了推荐系统在电子商务、电子旅游、电子资源、电子政务、电子学习和电子图书馆等领域的不同技术和发展,并通过分析最近的研究,提供了当前发展的详细概述,识别了推荐系统中的现有困难,为实践者和研究人员提供了必要的指导和见解。
Aug, 2022
本文综述了个性化推荐及推荐系统的经典算法,评估方式,以及最近研究的方向:基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。
Feb, 2023
本文总结了食品推荐系统的现状,探讨了数字资源、健康饮食、群组推荐和未来方向等方面的重要性和挑战,以期为研究者和实践者提供有用的资源。
Nov, 2017
通过使用机器学习模型及百万曲目数据集,本文提出了一个音乐推荐系统,旨在优化为用户推荐喜欢的歌曲。
Sep, 2023
本研究探索了机器学习对推荐系统的影响,特别是在商业环境中它们日益重要的背景下。揭示了机器学习在数据获取、特征工程和评估指标等方面对推荐系统的塑造和优化作用,并强调了增强推荐算法的迭代性质。探索了推荐引擎在各个领域的应用,以展示它们对用户体验和决策过程的重要影响。该研究还提到了用户对个性化和根据偏好动态调整的无缝在线体验的不断增加的期望。未来的研究方向包括探索深度学习模型的进展、推荐系统部署中的伦理考虑以及可扩展性挑战。本研究强调了了解和利用机器学习在个性化推荐商业前景中的不可或缺性,对于研究人员和实践者来说,这有助于充分发挥个性化推荐的潜力。
Feb, 2024
本文综述了混合推荐系统的新模型与架构,并识别了每种模型的优缺点及其具体应用场景。
May, 2022
本文总结了自动机器学习用于生成深度推荐系统模型的方法。作者概述了自动机器学习和相关技术,讨论了自动化特征选择、嵌入、交互和训练模型的最新方法,指出已有的基于自动机器学习的推荐系统正向着具有抽象搜索空间和高效搜索算法的多组件联合搜索方向发展,并略述了吸引人的未来研究方向。
Apr, 2022
个性化推荐系统在电子商务领域的应用及挑战,以及利用 BERT 模型和最近邻算法设计的 eBay 电子商务平台的个性化推荐系统的高效性和可行性。
Mar, 2024