Resumen

La minería de datos del usuario fue introducida en el proceso de construcción del modelo, y el comportamiento del usuario fue descompuesto mediante el análisis de varios factores influyentes a través del método de aprendizaje de máquina de factorización (FM). En la etapa de selección de recomendaciones, se combina la recomendación de filtrado colaborativo para filtrar el conjunto de candidatos a recomendación. Se utiliza la idea de filtrado colaborativo basado en usuarios (CF) como referencia para obtener obras musicales preferidas por usuarios similares. Por otro lado, aprendemos del CF basado en elementos, lo que asegura que el conjunto de candidatos cubra las preferencias del usuario. En primer lugar, el valor de interés de los usuarios es predicho utilizando un modelo de interés dinámico. Luego, se consideran completamente problemas comunes como el inicio en frío y el procesamiento de elementos populares. El algoritmo de crecimiento de patrones frecuentes se compara con el algoritmo de reglas de asociación basado en la recomendación de filtrado colaborativo y el algoritmo de recomendación basado en contenido, lo que dem

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Minería de datos; Comportamiento del usuario; Máquina de factorización; Filtrado colaborativo; Cribado de recomendaciones; Modelo de interés
• Keywords:Data mining; User behavior; Factorization machine; Collaborative filtering; Recommendation screening; Interest model