Resumen

En las aplicaciones de recomendación de filtrado colaborativo (CF), la dispersión de los datos de calificación de los usuarios, la efectividad del inicio en frío, la estrategia de negligencia de la información del ítem y la construcción de perfiles de usuario son críticos tanto para la eficiencia como para la efectividad del algoritmo de recomendación. Para resolver los problemas mencionados anteriormente, en este artículo se propone un enfoque de recomendación personalizada que combina la máquina de vectores de soporte semisupervisada y el aprendizaje activo (AL), que combina los beneficios tanto de TSVM (máquina de vectores de soporte transductiva) como de AL. En primer lugar, se desarrolla una estrategia de AL basada en la segmentación máximo-mínimo del espacio de versiones para elegir las muestras no etiquetadas más informativas para la anotación humana; tiene como objetivo elegir la menor cantidad de datos que sea suficiente para entrenar un modelo de alta calidad. Luego, se propone un algoritmo TSVM semisupervisado basado en

• Materias:Virus informático Entropía del gráfico Modelo epidémico Modelo de optimización Modelos conceptuales
• Subjects:Computer virus Entropy of the graph Epidemic model Optimization model Conceptual models
• Palabras claves:Filtrado colaborativo; Algoritmo de recomendación; Recomendación personalizada; Máquina de vectores de soporte semisupervisada; Aprendizaje activo; Perfiles de usuario
• Keywords:Collaborative filtering; Recommendation algorithm; Personalized recommendation; Semisupervised support vector machine; Active learning; User profiles