Resumen

El filtrado colaborativo entre dominios (CDCF) resuelve el problema de la escasez transfiriendo el conocimiento de las calificaciones de los dominios auxiliares. Obviamente, los diferentes dominios auxiliares tienen diferente importancia para el dominio de destino. Sin embargo, los trabajos anteriores no pueden evaluar eficazmente la importancia de los diferentes dominios auxiliares. Para superar este inconveniente, proponemos un algoritmo de filtrado colaborativo entre dominios basado en la construcción de características y la regresión lineal ponderada localmente (FCLWLR). Primero construimos características en diferentes dominios y utilizamos estas características para representar diferentes dominios auxiliares. De este modo, el cálculo de pesos en diferentes dominios puede convertirse en el cálculo de pesos en diferentes características. A continuación, combinamos las características en el dominio objetivo y en los dominios auxiliares y convertimos el problema de recomendación entre dominios en un problema de regresión. Por último, empleamos un modelo de regresión lineal ponderada localmente (LWLR) para resolver el problema de regresión. Como el LWLR es un método de regresión no paramétrico, puede evitar eficazmente los problemas de infra o sobreajuste que se producen en los métodos de regresión paramétricos. Llevamos a cabo amplios experimentos para demostrar que el algoritmo FCLWLR propuesto es eficaz para abordar el problema de la escasez de datos mediante la transferencia de conocimientos útiles de los dominios auxiliares, en comparación con muchos métodos de CF de un solo dominio o de dominios cruzados del estado de la técnica.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:dominio auxiliar diferente, filtrado colaborativo de dominio, regresión lineal ponderada, dominio auxiliar, dominio objetivo, problema de regresión, cálculo de pesos, dominio diferente, métodos de regresión paramétrica, métodos de regresión no paramétrica
• Keywords:different auxiliary domain, domain collaborative filtering, weighted linear regression, auxiliary domain, target domain, regression problem, weight computation, different domain, parametric regression methods, nonparametric regression methods