Resumen

Los sistemas de recomendación personalizados, como enfoques efectivos para aliviar la sobrecarga de información, han recibido una atención sustancial en la última década. Aprender factores latentes efectivos desempeña el papel más importante en los métodos de recomendación. Varios trabajos recientes extrajeron factores latentes a partir de contenido generado por usuarios, como calificaciones y reseñas, y sufrieron el problema de la dispersión y el problema de la distribución desequilibrada. Para abordar estos problemas, enriquecemos las representaciones latentes incorporando contenido generado por usuarios y contenido bruto de los elementos. Las redes neuronales profundas han surgido como muy atractivas para aprender representaciones efectivas en muchas aplicaciones. En este documento, proponemos una nueva arquitectura de red neuronal profunda llamada DeepFusion para aprender conjuntamente representaciones de usuario y elemento a partir de calificaciones numéricas, reseñas de texto y metadatos del elemento. En este marco, utilizamos varios tipos de redes neuronales profundas que son los más adecuados para cada tipo de entradas heterogé

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Sistemas de recomendación; Factores latentes; Contenido generado por el usuario; Redes neuronales profundas; DeepFusion; Metadatos del artículo
• Keywords:Recommender systems; Latent factors; User-generated content; Deep neural networks; DeepFusion; Item metadata