Resumen

Los datos actuales tienen las características de complejidad y baja densidad de información, lo que puede llamarse datos de información dispersa. Sin embargo, una gran cantidad de datos dificulta analizar datos dispersos con algoritmos tradicionales de recomendación de filtrado colaborativo, lo que puede llevar a una baja precisión. Mientras tanto, la complejidad de los datos significa que el entorno recomendado se ve afectado por múltiples factores dimensionales. Para resolver estos problemas de manera eficiente, nuestro artículo propone un algoritmo de filtrado colaborativo multidimensional basado en la predicción mejorada de la calificación de elementos. El algoritmo considera una variedad de factores que afectan las calificaciones de los usuarios; luego, utiliza una penalización para tener en cuenta la popularidad de los usuarios para calcular el grado de similitud entre los usuarios y la bi-clasificación cruzada iterativa para la matriz de calificación de los usuarios para tener en cuenta los cambios en las preferencias de los usuarios y mejorar el algoritmo tradicional de predicción de calificaciones de elementos, que considera las calificaciones de los usuarios según factores multidimensionales.

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Datos; Complejidad; Densidad de información; Filtrado colaborativo; Algoritmo; Multidimensional
• Keywords:Data; Complexity; Information density; Collaborative filtering; Algorithm; Multidimensional