Rgmeta: mejorando las recomendaciones de inicio en frío con un modelo de meta-incrustación de gráficos residuales
Autores: Zhao, Fuzhe; Huang, Chaoge; Xu, Han; Yang, Wen; Han, Wenlin
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Rgmeta: mejorando las recomendaciones de inicio en frío con un modelo de meta-incrustación de gráficos residuales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Modelos de recomendación tradicionales
Meta-aprendizaje
Problema de inicio en frío
Modelos de meta-incrustación
Información del usuario
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
Los modelos de recomendación tradicionales se enfrentan a desafíos como la escasez de referencias de usuarios o elementos similares y la dispersión de datos, lo que hace que el problema de inicio en frío sea particularmente formidable.
Descripción
Los modelos de recomendación tradicionales se enfrentan a desafíos como la escasez de referencias de usuarios o elementos similares y la dispersión de datos, lo que hace que el problema de inicio en frío sea particularmente formidable.