Resumen

El problema de las investigaciones anteriores sobre clasificación personalizada es que se centraban en los datos de feedback explícito o en los datos de feedback implícito, en lugar de aprovechar al máximo la información del conjunto de datos. Hasta ahora, nadie ha estudiado un algoritmo de clasificación personalizada que explote tanto la información explícita como la implícita. Con el fin de superar los defectos de las investigaciones anteriores, se propuso un nuevo algoritmo de clasificación personalizada (MERR_SVD ) basado en el modelo xCLiMF más reciente y en el algoritmo SVD, que explota simultáneamente la retroalimentación explícita e implícita y optimiza la conocida métrica de evaluación Expected Reciprocal Rank (ERR). Los resultados experimentales en conjuntos de datos prácticos mostraron que nuestro algoritmo propuesto superaba a los algoritmos de clasificación personalizada existentes en diferentes métricas de evaluación y que el tiempo de ejecución de MERR_SVD mostraba una correlación lineal con el número de valoraciones. Debido a su alta precisión y a su buena expansibilidad, MERR_SVD es adecuado para procesar big data y tiene amplias perspectivas de aplicación en el campo de la recomendación de información en Internet.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Investigaciones anteriores; clasificación personalizada; datos de retroalimentación explícitos; datos de retroalimentación implícitos; algoritmo de clasificación personalizada; MERR_SVD
• Keywords:Previous researches; personalized ranking; explicit feedback data; implicit feedback data; personalized ranking algorithm; MERR_SVD++