Resumen

Los algoritmos de recomendación basados en contenido y de filtrado colaborativo son ampliamente utilizados en los modernos sistemas de recomendación de comercio electrónico para mejorar la experiencia del usuario en servicios personalizados. Las características del contenido de los elementos y los datos de calificación usuario-elemento se utilizan principalmente para entrenar el modelo de recomendación. Sin embargo, datos dispersos podrían hacer que dichos sistemas sean poco confiables. Para resolver el problema de la dispersión de datos, consideramos que sería necesario importar más información latente para captar las preferencias potenciales de los usuarios. Por lo tanto, se utilizan características híbridas que incluyen todo tipo de características de los elementos para descubrir los intereses de los usuarios. En particular, encontramos que las características visuales de las imágenes pueden captar más preferencias potenciales de los usuarios. En este artículo, aprovechamos la combinación de datos de calificación usuario-elemento y características híbridas de los elementos para proponer un nuevo modelo de recomendación, adecuado para escenarios de recomendación basados en calificaciones. Los resultados experimentales muestran que el modelo propuesto tiene un

• Materias:Algoritmo de agrupamiento Reconocimiento de caracteres Reconocimiento de entidades nombradas Algoritmos de recomendación Tecnologías de contenedores
• Subjects:Clustering algorithm Character recognition Named entity recognition Recommendation algorithms Container technologies
• Palabras claves:Algoritmos de recomendación; Filtrado colaborativo; Comercio electrónico; Servicios personalizados; Escasez de datos; Características híbridas
• Keywords:Recommendation algorithms; Collaborative filtering; E-commerce; Personalized services; Data sparsity; Hybrid features