Resumen

Los sistemas de recomendación se han vuelto indispensables para los servicios en línea, ya que alivianan el problema de la sobrecarga de información para los usuarios. Se ha propuesto cierto trabajo para respaldar la recomendación personalizada mediante la utilización del filtrado colaborativo para aprender las representaciones latentes de usuarios e ítems a partir de interacciones implícitas entre usuarios e ítems. Sin embargo, la mayoría de los métodos existentes simplifican la retroalimentación de frecuencia implícita a valores binarios, lo que hace que el filtrado colaborativo no pueda aprender con precisión las características latentes de usuarios e ítems. Además, los métodos tradicionales de filtrado colaborativo generalmente utilizan funciones lineales para modelar las interacciones entre características latentes. La expresividad de las funciones lineales puede no ser suficiente para capturar la estructura compleja de las interacciones de los usuarios y degradar el rendimiento de esos sistemas de recomendación. En este documento, proponemos un modelo de clasificación personalizado neural para el filtrado colaborativo con la retroalimentación de frecuencia implícita. El método propuesto integra el

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Sistemas de recomendación; Filtrado colaborativo; Interacciones implícitas; Recomendación personalizada; Redes neuronales; Modelo de factores de Poisson basado en ranking
• Keywords:Recommender systems; Collaborative filtering; Implicit interactions; Personalized recommendation; Neural networks; Ranking-based poisson factor model