Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Federal de São Carlos (UFSCar) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.contributor | Ohio State Univ | - |
Autor(es): dc.creator | Martins, Guilherme Brandao | - |
Autor(es): dc.creator | Papa, Joao Paulo [UNESP] | - |
Autor(es): dc.creator | Adeli, Hojjat | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:57:13Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:57:13Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2020-11-13 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1111/exsy.12647 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/209650 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/209650 | - |
Descrição: dc.description | In the Big Data Era, recommender systems perform a fundamental role in data management and information filtering. In this context, Collaborative Filtering (CF) persists as one of the most prominent strategies to effectively deal with large datasets and is capable of offering users interesting content in a recommendation fashion. Nevertheless, it is well-known CF recommenders suffer from data sparsity, mainly in cold-start scenarios, substantially reducing the quality of recommendations. In the vast literature about the aforementioned topic, there are numerous solutions, in which the state-of-the-art contributions are, in some sense, conditioned or associated with traditional CF methods such as Matrix Factorization (MF), that is, they rely on linear optimization procedures to model users and items into low-dimensional embeddings. To overcome the aforementioned challenges, there has been an increasing number of studies exploring deep learning techniques in the CF context for latent factor modelling. In this research, authors conduct a systematic review focusing on state-of-the-art literature on deep learning techniques applied in collaborative filtering recommendation, and also featuring primary studies related to mitigating the cold start problem. Additionally, authors considered the diverse non-linear modelling strategies to deal with rating data and side information, the combination of deep learning techniques with traditional CF-based linear methods, and an overview of the most used public datasets and evaluation metrics concerning CF scenarios. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Univ Fed Sao Carlos, Dept Comp, Sao Carlos, Brazil | - |
Descrição: dc.description | Sao Paulo State Univ, Dept Comp, Bauru, SP, Brazil | - |
Descrição: dc.description | Ohio State Univ, Dept Biomed Informat, Columbus, OH 43210 USA | - |
Descrição: dc.description | Ohio State Univ, Dept Neurosci, Columbus, OH 43210 USA | - |
Descrição: dc.description | Sao Paulo State Univ, Dept Comp, Bauru, SP, Brazil | - |
Descrição: dc.description | CAPES: 001 | - |
Formato: dc.format | 21 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Wiley-Blackwell | - |
Relação: dc.relation | Expert Systems | - |
???dc.source???: dc.source | Web of Science | - |
Palavras-chave: dc.subject | cold start | - |
Palavras-chave: dc.subject | collaborative filtering | - |
Palavras-chave: dc.subject | deep learning | - |
Título: dc.title | Deep learning techniques for recommender systems based on collaborative filtering | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: