本研究探讨了一种基于协同过滤与人工神经网络的高级推荐系统。

简介：
为了评估用户的项目，并进而进行历史用户评级，我们正运用一系列智能系统。 最普遍采用的方法便是推荐系统，其核心作用体现在社交网络、数字营销、在线购物以及电子商务等多个领域。 推荐系统本身包含多种建议技术，在此我们主要采用了众所周知的协同过滤（CF）方法。 协作过滤主要致力于解决两种类型的问题，即完全冷启动（CCS）问题和不完全冷启动（ICS）问题。 作者们提出了三种创新性的解决方案，包括协同过滤、人工神经网络以及支持向量机，旨在有效应对CCS和ICS问题。 为了解决这些问题，我们利用基于特定深度神经网络SADE的方法，能够去除产品的固有特征。 通过整合顺序激活的用户和产品特性，并适应最新的CF模型——时间SVD ++的冷启动产品额定值，从而提升模型的性能。 提出的系统构建于Netflix评级数据集之上，该数据集被用于执行基线技术，以预测冷启动项目的评级情况。 在ICS项上对比了两种推荐技术的性能表现，证实了所提出方法的适用性和优势。 由于冷启动状态会逐渐过渡到非冷启动状态，因此所提出的方法具备了产品状态的平滑转移能力。 在项目内容提取方面，我们采用了人工神经网络（ANN）技术来捕捉关键信息。 用户偏好之一——例如时间动态因素——被纳入预测过程中，以克服潜在的挑战和提升预测准确性。 对于分类过程而言, 我们相较于早期方法, 采用了更为先进的策略.