Tuning machine learning algorithms for content-based movie recommendation

Brbić, Maria; arko, Ivana Podnar

doi:10.3233/idt-140219

Cited by 4 publications

(1 citation statement)

References 0 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Essa área de estudo recebe contribuições de várias outras áreas tais como ciência da computação, probabilidade, estatística, otimização e álgebra linear. Alguns exemplos de problemas em que o aprendizado de máquina pode ser aplicado incluem: controle de veículos autônomos (BAGNELL et al, 2010), reconhecimento de escrita (PORWAL et al, 2013), reconhecimento de faces (WEI et al, 2011), reconhecimento de fala (ZHANG et al, 2013), categorização de textos (ROSSI et al, 2016;WU et al, 2014), tradução automática de textos (GONZ ÁLEZ-RUBIO; CASACUBERTA, 2014), detecção de fraudes (BAHNSEN et al, 2016), diagnóstico de doenças (TSENG et al, 2014), previsão do tempo (HAMIDI et al, 2015) e sistemas de recomendação de filmes, livros e outros produtos (BRBI Ć; ŽARKO, 2015).…”

Section: Aprendizado De Máquinaunclassified

Da Navalha de Occam a um método de categorização de textos simples, eficiente e robusto

Silva¹

View full text Add to dashboard Cite

Categorização de textos é um problema que tem recebido muita atenção nos últimos anos devido ao aumento expressivo no volume de informações textuais. O processo manual de categorizar documentos de texto é cansativo, tedioso, demorado e muitas vezes impraticável quando o volume de dados é muito grande. Portanto, existe uma grande demanda para que esse processo seja realizado de maneira automática através de métodos computacionais. Embora vários métodos já tenham sido propostos, muitos sofrem com o problema da maldição da dimensionalidade ou apresentam alto custo computacional, inviabilizando seu uso em cenários reais. Diante disso, esta tese apresenta um método de categorização de texto baseado no princípio da descrição mais simples, nomeado MDLText, que é eficiente, rápido, escalável e multiclasse. Ele possui aprendizado rápido, incremental e é suficientemente robusto para evitar o problema de sobreajustamento, o que é altamente desejável em problemas reais, dinâmicos, online e de grande porte. Experimentos realizados com bases de dados reais, grandes e públicas, seguidos por análises estatísticas dos resultados, indicam que o MDLText oferece um excelente balanceamento entre poder preditivo e custo computacional. Diante desses bons resultados, foi proposta uma generalização inicial do método para lidar também com problemas não-textuais, o que resultou em um método de classificação, nomeado MDLClass, que é simples, rápido e pode ser aplicado em problemas binários e multiclasse. A análise estatística dos resultados indicou que ele é equivalente à maioria dos métodos considerados o estado-da-arte em classificação.Palavras-chaves: aprendizado de máquina; reconhecimento de padrões; categorização de texto; classificação; princípio da descrição mais simples.

show abstract

Section: Aprendizado De Máquinaunclassified

Da Navalha de Occam a um método de categorização de textos simples, eficiente e robusto

Silva¹

View full text Add to dashboard Cite

show abstract

HARSAM: A Hybrid Model for Recommendation Supported by Self-Attention Mechanism

2019

View full text Add to dashboard Cite

Collaborative filtering is one of the most commonly used methods in recommendation systems. However, the sparsity of the rating matrix, cold start-up, and most recommendation algorithms only consider the users while neglecting the relationship between the products, all of what limit the effectiveness of the recommendation algorithms. In this paper, based on the self-attention mechanism, a deep learning model, named HARSAM, is proposed for modeling user interaction data and learning the user's latent preference expression. HARSAM partitions the user's latent feedback data in different time granularity and employs the self-attention mechanism to extract the correlation among the data in each partition. Moreover, the model learns the user's latent preferences through the deep neural network. Simultaneously, the model learns the item latent representation by making use of the stacked denoising autoencoder to model the item's rating data. As the result, the model recommends items to users according to the similarities between user's preference and items. Experiments conducted on the public data demonstrate the effectiveness of the proposed model.

show abstract