文摘
推荐系统是必不可少的引擎为电子商务企业提供产品推荐。成功采用的推荐系统可以显著影响营销的发展目标。协同过滤是一种推荐系统模型,使用客户的活动在过去,如评级。不幸的是,评级从客户收集的数量少,达不到4%。潜在因素模型是一种协同过滤涉及矩阵分解生成评级预测。然而,仅使用矩阵分解会导致不准确的建议。几个模型包括产品评审文档增加他们的评级预测的有效性。他们中的大多数使用方法如TF-IDF和LDA解释产品审查文档。然而,传统模型如LDA和TF-IDF面临一些缺点,他们表现出更少的文档的上下文理解。本研究综合矩阵分解和新颖的模型来解释和理解产品使用LSTM审查文档和词嵌入。 According to the experiment report, this model significantly outperformed the traditional latent factor model by more than 16% on an average and achieved 1% on an average based on RMSE evaluation metrics, compared to the previous best performance. Contextual insight of the product review document is an important aspect to improve performance in a sparse rating matrix. In the future work, generating contextual insight using bidirectional word sequential is required to increase the performance of e-commerce recommender systems with sparse data issues.
1。介绍
推荐系统的发展(RS)旨在支持营销通过增加销售目标。RS已经发展到自动生成产品建议,帮助客户选择产品。RS已经采用在很多大型电子商务公司如亚马逊,谷歌,Netflix, iTunes, Facebook, eBay和阿里巴巴。许多专家解释说,推荐系统的成功应用可以显著影响营销目标(1]。世界上大多数电子商务公司决定实施推荐系统为公司提高服务满意度,使其更愉快的为客户寻找他们所需要的产品。推荐系统是一个重要的工具来促进产品和服务对许多在线网站和移动应用程序。例如,80%的电影观看Netflix来自建议(2),和60%的视频点击YouTube来自主页推荐(3]。根据谢弗et al。4),销售代理与建议从NetPerceptions系统实现交叉销售价值平均高出60%和50%的交叉销售的成功率高于代理使用传统的交叉销售技术,基于实验在英国的零售和商业团体。
基于一个通用的算法方法(5- - - - - -9),电子商务RS分为四种类型:(1)基于内容的,这是一个方法来生成建议根据产品分类方法包括信息检索生成产品推荐;(2)知识,发展一个特定的和/或必要的建议,包括提供所需产品信息很少个人目的(例如,房子,贷款,保险,和汽车);(3)demographic-based,指产品推荐建立根据人口统计信息;(4)协同过滤,是一种机制用于生产建议基于用户的行为在过去,如产品评级,产品评论,评论,证词,并购买。
协同过滤被认为是最成功的推荐技术,实现在很多大型电子商务公司,因为它可以提供建议与特殊字符等信息提供产品符合信息,提供相关信息,有高度准确的推荐,偶然(10]。常用的,大多数协同过滤采用评级作为基本的计算方法来计算显式反馈用户的行为的相似性。不幸的是,评级的数量非常小。一般来说,客户是懒惰给评级的产品。GroupLens产品是最受欢迎的电子商务数据集包含电影评级矩阵,其中包括ml - 100 k, ML-1M, ML-10M, ML-20M [11]。亚马逊是第二个最流行的数据集,其中包含评级只有不到1%。协同过滤中最常见的问题是稀疏的数据中生成评级预测评级矩阵条件。传统协同过滤实现基于内存的受欢迎的社区获得评级预测模型。大多数传统的统计方法是由一些研究人员在协同过滤的早期出现在90年代中期。协同过滤计算最近邻用户之间具有相似的行为对产品的兴趣。不幸的是,这些发现邻居的向量的计算需要大量计算的大规模数据集。从实用的角度,基于内存的方法采用启发式邻居,所以他们在大型数据集可能会遇到一些挑战。邻居算法使用几种传统的统计机制,如余弦相似性、斯皮尔曼秩,皮尔逊相关性,等。最近的一个例子社区模型来计算相似性在用户行为所示以下方程:
基于内存的模型结果在一个简单的产品推荐,这很容易实现,不需要训练数据来获得产品排名。基于内存的协同过滤的好处。然而,基于内存的面临一个严重的问题关于可伸缩性。越来越多的用户和产品可能导致计算水平或高。这是重要原因,出现在现代协同过滤模型,俗称基于模型或潜在因素模型,函数利用潜在的记者在用户和产品之间的关系。
矩阵分解,俗称基于模型,成为更受欢迎在基于内存的Netflix竞争以来,已经在2006年举行。基于模型涉及到矩阵分解处理完成评级矩阵。事实上,矩阵分解模型引入了萨瓦et al。12)在2000年代早期通过使用一个低维的奇异值分解实现(计算)。圣言会试图计算潜在用户和项目之间的关系。科伦et al。13)提出了一个新颖的圣言会改善传统的圣言会为了增加其有效性生成评级预测,包括时间戳评级的用户名为时间的影响,即TimeSVD。根据一个实验报告,TimeSVD成功地改善性能的萨瓦尔等。传统的圣言。科伦等人试图提高以前的工作使用奇异值分解结合社区表示[14]。另一个模型认为数学和统计方法只考虑Salakhutdinov提出的评级信息和Mnih15]。Salakhutdinov和Mnih推广概率方法结合矩阵分解,称为概率矩阵分解(及)。自称是及模型计算模型的一个扩展版本。及工作原理是将用户和项目信息转换为一个二维向量维度使用高斯正态分布。及模型成功地生成评级预测在大型数据集,令人惊讶的是,它也面临不平衡数据的健壮。图1显示了一个示例评级矩阵表示的协同过滤,红色代表未分级的项目。
潜在因素模型已经成功地提高性能的准确评价预测基于内存。然而,有一个缺点,当处理极其稀疏数据条件。一些专家提出了各种模型来支持潜在因素的性能。研究者认为积分矩阵分解的产品评论。研究人员之一是凌et al。16使用项目评审),提出一种新颖的模型来支持潜在因素模型。产品评论的一个文档的表示用户对产品的满意度。在研究中,凌等人使用潜在狄利克雷分配(LDA)模型来解释产品审查文档。凌等人提出的LDA模型成功地改进传统的潜在因素使用圣言,TimeSVD,及。另一个模型提出的王,布莱17使用LDA)也提出了一个模型来解释产品文档和集成与一个潜在的因素称为协作主题回归(CTR)。小王和布莱概率矩阵分解产生评级预测。LDA模型都集成到矩阵分解成功增加生成评级预测的有效性。表1显示之前的最先进的方法,包括传统的潜在因素和潜在因素和产品之间的混合审查文档。
文本文档的解释成为自然语言处理领域的一个重要因素(NLP)。传统的包的话(弓)机制是一个受欢迎的方法在早期的几十年里,已经应用在几个常用的NLP领域的应用。不幸的是,LDA模型未能捕捉句子的上下文理解文档。一些专家曾试图改善弓机制利用深度学习模型。例如,对于句子分类,他们应用卷积神经网络(CNN)已经成功地提炼传统句子分类的精度水平在以前的作品(23]。根据目前的研究,近年来,CNN在推荐系统领域的应用提出了金正日et al。20.]。另一位研究人员应用深度学习的一个子类,称为autoencoder (AE),旨在改进的性能矩阵分解(24]。根据一个实验报告,使用深度学习课,AE或者CNN,成功提高评级预测的效果比传统的屈服机制。然而,根据上下文语义理解的角度来看,大多数的模型忽略了上下文的理解产品文档。上下文的理解一个句子可以捕捉到以下两个重要方面解释如下:(1)考虑词序或词序列和(2)考虑彼此微妙的词。
一种新颖的协同过滤方法涉及社会信息表示,称为SSDAE,集成了基于协同过滤及和用户的社会行为25]。这种方法的不同是,它涉及到社会信息文件来支持矩阵分解表示方法作为一个潜在的因素。几个以前只能通过产品文档表示,可能有用户信息的限制表示。类似于ConvMF, SSDAE也可以考虑及作为一个潜在的因素机器为了获得评级预测。
长期短期记忆(LSTM)深度学习的一个子类。LSTM比其他深层神经网络具有独特的特点,它可以识别顺序方面的信息。这是一个重要的方面学习上下文语义理解上下文中的文档。LSTM可以集成到一个推荐系统算法改进文档解释句子。的实现LSTM预计将支持矩阵分解增加代评级预测中的有效性。在这个研究中,我们提出了一个新颖的方法,包括LSTM将产品评审文档转换为一个2 d潜在语义空间,整合概率矩阵分解(及)。我们评估我们的模型使用评价指标基于均方根误差(RMSE)。我们还我们的模型应用于两个真实数据集:MovieLens (ML-1M)和亚马逊信息视频(AIV)。我们的小说包括LSTM-GLOVE-PMF算法模型。本研究的贡献提出了表2,上下文理解使用字嵌入和LSTM是一种新型的混合潜在因素模型。我们建议的模型称为LSTM-PMF。
在本文中,我们演示了两个贡献,包括(一)小说模型来捕获文档上下文通过考虑的顺序方面LTSM和字嵌入和(b)集成文档上下文到概率矩阵的分解。因此,这个实验结果需要评估的目的是确定使用RMSE成就性能评价指标。
2。材料和方法
本研究利用两种基本方法,即及和LSTM。及负责生成评级预测之间的通信通过学习项目和用户的信息。同时,LSTM的角色是支持潜在因素生成评级预测来提高其有效性。LSTM作品利用产品评审文档获得二维空间的文档向量。我们建议的方法涉及两个基本机制的细节解释在下面三个部分。
LSTM-PMF呈现在图的架构2。架构图由五层阶段。每层区域执行特定的任务。第一层顶部负责收集数据,包括ML-1M ML-10M和AIV。第二层是使用一个NLTK进行预处理模块和开发使用字嵌入基于手套预处理结果。处理后在第二层,第三层的领土将生成语境理解这个词使用LSTM序列检测过程。这个过程还负责将产品文档审核转换为一个二维向量空间50。第四层负责连接用户潜在的空间和项目文档潜在空间。这一层的第二个任务是生成一个评级预测通过学习变量之间的对应关系U作为一个用户表示和向量V作为一个项目表示。在这一层,概率矩阵分解项目文档和用户表示的链接。最后一层是负责评估评级预测输出使用RMSE评价矩阵,包括几个标准。提出了一种计算方法的详细描述在方法部分。
材料与方法部分包含足够的细节,使所有程序可以重复。它可以分成部分介绍几种方法。
2.1。概率矩阵分解
由于潜在因素模型一直在利用协同过滤在2006年初,一些研究人员一直试图解决的主要问题,特别是关于稀疏数据的问题。基于矩阵分解的潜在因素模型是一种非常有效的方法来生成评级预测。生产产品推荐的评级是一个重要的因素。使用评级矩阵获得来自客户、推荐机器生产产品排名,然后提交给客户或客户的候选人。矩阵分解的基本原理是旋转,转化,减少矩阵的内容。因此,一个完整的评级矩阵可以得到(27]。圣言会是一个成功的例子与低维矩阵分解模型,用于学习项目和用户之间的通信。及声称是一个扩展的计算,考虑了高斯正态分布来生成一个评级规则基于概率分布的工作机制。说明基本评级矩阵的因子分解模型的两个低维矩阵可以描述如下:例如,米代表了电影,N代表用户,从一个整数代表评级价值1来K。Rij表示用户吗我与电影j。同时, , 。的变量U和V成为潜在的用户和电影的表示矩阵,分别。通过给定用户评级预测我对电影j可以计算为 。基本概念的说明基于协同过滤的矩阵分解可以呈现在图3。
的想法及最初提出的Salakhutdinov和Mnih Netflix竞争在2006年中期(15]。及成功提炼Netflix的推荐系统上升到4%。不幸的是,只有不到10%的成就,及模型不可能赢得比赛。及分类概率线性的方法使用的高斯正态分布和向量表示一个用户和电影获得评级分布的记者。的详细配方分布给出以下方程:
旨在改变成一个潜在项目的特征向量,该模型认为使用一个零均值高斯球面之前详细的方程如下:
旨在改变成一个潜在用户的特征向量,该模型认为使用一个零均值高斯球面之前详细的方程如下:
2.2。捕获使用LSTM产品文档的上下文的洞察力
上下文的理解一个句子可以被理解为,其词序列和巧妙地话。大多数神经网络技术推广过程从输入产生一个输出。与大多数神经网络模型,LSTM注重输入的过程中通过观察序列输入过程与时间序列的过程。LSTM方法的一个有趣的方面是可以链接过去的概念阶段和当前进程的信息,例如,使过去的视频帧介绍了解到当前视频。指的是自然语言的背景下,有必要揭示句子的上下文理解文档,在连续的角度来看是一个重要的方面是探索;这是由于语义理解的观点。一种特定类型的RNN长俗称LSTM短期记忆。它是专门执行长期依赖学习。RNN LSTM也是一个增强的架构。这是首次出版(的Hochreiter和。施密德胡贝尔表示28]。模型的改进和推广了许多人是适合在计算机科学领域的几个任务。一些公式解释LSTM的隐藏状态可以用来学习从输入顺序方面。隐藏的工作状态LSTM解释在图4与方程(5)。
LSTM的隐藏层包括几个过程来适应输入层、输出层,前面的隐藏状态的过程,和隐藏的输出状态。LSTM检测顺序方面的能力会导致一些基本计算过程处于隐藏状态。详细说明LSTM的工作方程所示(5)。每一个变量获得输出由于学习过程基于一些计算涉及到几个方面,如下: 我,f,o:我代表输入,f代表忘记,o盖茨表示输出。他们自己的类似的方程,只有不同的参数矩阵。这些被称为盖茨由于乙状结肠规则决定的值为0或1。 :它代表了隐藏的状态,这是基于现有的输入和计算过去隐藏状态。ct:它代表了内存的隐藏状态。它是一个结合以前的记忆乘以一个忘记门和新的隐藏状态这是乘以输入门。ht:它代表隐藏的记忆状态。计算输出的隐藏状态ht乘以门的输出。
2.3。产品评审文档的预处理
在这个研究中,预处理作为标准进行研究过程中提取原始文档基于一些以前的工作标准(24,29日]。预处理是必要的计算过程与代表意义生成一个文档。预处理步骤的详细描述在表3在下面。
2.4。将原始文档转换为2 d向量空间
经过上述的一些预处理阶段,结果变成了2 d向量空间。在这个过程中,语境意义有望成功捕获,这样用户的表达式可以被正确地理解,如理解用户的表达的意义。几个过程的解释将产品评审文档转换为一个二维向量空间呈现在图5。一开始,从收集AIV数据集。产品审查文档选择只有那些有关MovieLens电影目录。根据LSTM机制,每个词向量就像字嵌入的输出从手套获得处理,放置在一个独特的隐层(30.]。由于前一节中,每个产品拥有包含300字的产品评论的形式词向量表示。的完整过程将原始文档转换为50解释在图2 d向量5。
产品评论后文档的训练集使用LTSM和字嵌入过程完成后,输出二维向量的形式50将集成到概率矩阵分解,这将有力地支持处理稀疏数据问题。及起着重要的作用在桥接用户潜在的模型和项目文档潜在的模型,以了解它们之间的通信。
2.5。混合LSTM和及
根据LSTM的角度来看,是不适当的使用回归应用,如评级预测在一个协同过滤推荐系统。的输出LSTM 2 d向量表示的形式不能直接应用于预测评级。旨在处理上述问题,需要结合LSTM矩阵分解,及等。及负责计算潜在的用户模型之间的关系和加强用户和项目的产品潜在的空间相关性。例如,我们有N作为用户和的表示米的代表项目。公式计算等级值 矩阵,给出用户表示和项的公式表示 和 ,分别。最后,获得的产品UTV,客观的重新计算表评级矩阵R。以下概率的作用的角度来看,正态分布表示如下: 在哪里µ的意思是人口数量,σ2方差值,我j是一个指标函数作为用户潜在的模型生成模型。
概率模型是一个关键因素在发展中LSTM-PMF模型。图6,下面显示的作用及桥项目潜在的表示和用户潜在的模型在一个文档向量表示。蓝色是一个矩阵分解的领土组成的U,V,R。红色是项目文档表示的领土。GLOVE-LSTM支持文档表示生成的重量W变量。
LSTM-PMF模型,正如上文所述,获得项目和用户潜在的模型的过程。两个过程的详细说明已在以下部分中给出。
2.6。用户潜在的模型表示
用户信息收集的表示MovieLens只包含用户和评级信息。用户潜在的模型区域使用零均值高斯球面之前涉及到用户数据的方差值σ2,并给出以下方程:
2.7。项目/产品潜在的模型表示
收集项目信息表示的形式从AIV项目文档。2 d向量获得50后经过几个流程LSTM机制。根据概率的角度来看,项目潜在的模型遵循以下方程:
与此同时,项变量得到如下:
的概率密度函数与正态分布概率的观点可以获得如下:
文档潜在表示词产生的嵌入和LSTM需要转换为正态分布和遵循以下方程:
优化学习潜变量之间的空间模型U,V,W在以下部分解释如下。
2.8。优化的空间维度和生成评级模型
优化过程,加强整体变量之间的对应关系如用户潜变量、项潜变量,LSTM分享重量变量,变量和偏见。我们采用了模型应用最大后验(MAP) (15]。地图是一个贝叶斯统计旨在计算未知量。后验分布是相似的。具体地说,它的目标是优化学习变量考虑地图的应用程序。该方法采用日志后验通过用户使用hyperparameters和电影的特性。提出了完整的映射公式如下:
这个实验也应用负对数学习训练过程的用户和项目特性最小化损失函数如下: 在哪里是 的代表用户的方差,是 作为项目方差的表示是 的表示W方差。
因此,开发一个坐标下降,研究人员利用平方函数学习的记者U,V,W。以下方程代表坐标下降和给出如下:
我们使用反向传播算法来优化W,在这W表示变量的权重和偏差变量每层,这是一个重要的步骤。旨在优化每一层,包括V,U,W,需要更新机制,直到收敛。公式用于预测未知的评级是下面的:
2.9。数据集
MovieLens是一种最流行的数据集进行电子商务实验。它最初于1997年研制成功的学校计算、明尼苏达大学(11]。多数推荐系统实验应用MovieLens数据集(11,31日]。它的目的是为了获取信息为个人建议。MovieLens数据集包含一些类别的数量取决于评级的用户数量,产品,数量和密度稀疏的评级水平。这个实验采用AIV的产品审核文档,这是一种非常流行的数据集收集从亚马逊(32- - - - - -34]。描述数据集的特点提出了表4。
这个实验涉及2 MovieLens类别,包括ML-1M包含100万个评级稀疏程度的4.64%和ML-10M包含1000万评级稀疏的1.41%水平。这是一个重要的因素是观察到各稀疏LSTM-PMF水平条件下的性能。
2.10。评价结果
LSTM-PMF需要评估的性能。RMSE评价矩阵是最受欢迎的方法来评估评级预测的有效性(35,36]。实验的场景分为九个部分,其中每一部分分裂间隔比数据10%,包括10:90年,20:80年,30日:70年,40:60、50:50,60:40,70:30,80:20,90:10。
培训过程的输出是评估使用RMSE评价矩阵。评价矩阵的公式是由以下方程:
从本质上讲,LSTM-PMF获得的评级预测的结果与实际评级基于数据集的资源。
2.11。实验工具
在这个研究中,一些工具和库模块被用来确保实验遵循以前的工作的标准,包括深度学习工具,硬件和支持模块。并给出了清单的工具和库表5。
3所示。结果与讨论
评级的结果预测使用几个训练数据场景中演示了以下数据。结果和比较考虑展示现有的使用传统的基于及矩阵分解和前面的最好结果基于CNN和矩阵分解。这个实验由2训练场景,包括从ML-1M实现在真实数据集和ML-10M。
3.1。实验场景ML-1M
数据集ML-1M分为中间数据集的可伸缩性的角度和一个正常的稀疏,密度因子的4.64%。旨在调查我们的模型的性能,我们实现了模型到实际数据集。MovieLens数据集表示评级稀疏数据没有产品评论。与此同时,亚马逊是一个电子商务分类数据集没有评级矩阵,具有丰富的产品信息产品审查文档。九个场景的培训评估过程中演示了数据7来15。实验应用于ML-1M和亚马逊每10%间隔稀疏数据集与水平。训练过程包括及、CNN-PMF LSTM-PMF模型,分别。完整的培训流程和RMSE评价结果下面的九个数字所示。
根据实验结果描绘在上面的九个数字中,产品评论的使用是非常有助于提高评级预测即使在非常稀疏的评级的有效性条件。报道在图15,它可以推断出从模型应用及该模型不适用产品评论的地方,而CNN-PMF和LSTM-PMF涉及产品评论获得的文件比在精度和更快的达到收敛。此外,LSTM模型的实现,旨在捕捉产品评论的语境意义达到表现在CNN模型由于LSTM模型产生更高的份额在CNN重量。
如图16,模型应用产品评论文档优越相比传统的及模型即使在极其稀疏评级条件(例如,10%,20%,30%,40%)。实现LSTM模型在每个培训场景略优于CNN。报道在表6,相信LSTM成功改善传统的使用及潜在因素和现代使用CNN深度学习。LSTM-PMF平均提高15%,比传统及模型和改进的0.71%平均CNN-PMF相比。
3.2。实验场景ML-1OM
数据集ML-10M被归类为一个大型数据集的可伸缩性的观点。这一类很极端稀疏的水平,密度的因素是1.4%。
训练的结果,如图17来25显示,LSTM-PMF显著优于传统的矩阵分解;然而,它失去了CNN-PMF。
的总结评估培训场景ML-10M图所示26。LSTM-PMF显著成功地提高评级的有效性及预测相比。然而,评级数量非常稀少,密度水平的1.4%。
详细比较ML-10M提出了表7。它可以得出结论,LSTM成功地精炼评级预测的有效性,在传统或现代矩阵分解,通过合并基于CNN深度学习的类。LSTM-PMF在传统及和实现了10%的平均1.41%平均超过CNN-PMF执行。在这种情况下,LSTM-PMF更强大,取得了显著的性能在正常情况下稀疏的评级水平如10/90和20/80的性能取得了类似于CNN-PMF。成就很重要在这个模型应用于50:50培训上面比率。ML-1M结果相比,LSTM-PMF更强大的性能,显著的性能的CNN-LSTM平均达到1.44%。
LSTM-PMF超过传统的显著的性能及文档是由于潜在的矢量,这是一个关键因素更好的成就。潜在因素向量文档表示W支持项目潜在的模型V学习项目和用户之间的通信。文档潜在表示的实现也增加了在训练过程的有效性,影响一个小的迭代次数要求实现在传统及收敛性。
根据ML-1M实验报告,文档向量表示也支持项目潜在的向量增加性能及平均超过15%。ML-10M的更大的数据集,这个模型始终表现及在每一个训练集的场景中,平均达到10%及以上。此外,LSTM-PMF取得更显著的性能应用于分类稀疏数据条件时,如数据训练比10:20:80年,90年和30:70年ML-1M和ML-10M。CNN-PMF是另一个文档潜在的表示模型,它支持数据稀疏矩阵分解工作。CNN的一个子类深学习机器具有特定能力降维特性。与另一个传统弓方法相比,CNN显示更好的性能在各种场景中训练集和数据集。CNN也声称在生成评级达到最佳性能近年来预测。在这个实验中,我们演示了LSTM-PMF和CNN-PMF之间的比较。令人惊讶的是,LSTM-PMF是优于CNN-PMF在训练集的每一个部分的场景中,包括ML-1M和ML-10M。LSTM-PMF平均达到了0.71%和1.4%。 The competition of LSTM-PMF and CNN-PMF resulted in dimensional reduction and sequential aspect information. Finally, LSTM-PMF performed better in comparison to other competitors due to LSTM’s sequential role mechanism; that is, it was more representative in capturing the contextual understanding of the product review documents.
4所示。结论
稀疏数据问题导致由于最低评级推荐系统是一个大问题。在这个研究中,我们提出了一个潜在因素模型使用LSTM,字嵌入,及。LSTM和嵌入考虑词顺序来解释产品的文档了解获取上下文审查文档。根据我们的实验报告,我们的模型优于以前的作品。人们相信LSTM-PMF的优越性能的影响是由于文档的上下文洞察力表示支持基于及潜在因素在增加生成评级的有效性。此外,使用LSTM产品文档的参与和手套也取得了更好的训练过程的效率,并帮助实现融合在整个训练场景。上下文的洞察力解释能力可以通过双向学习(BERT)编码器表示。考虑双向模型提高文档的上下文理解可能会提高矩阵分解的性能预测评级矩阵。它将成为未来的研究工作具有挑战性。及矩阵分解方法的一个变种。 LSTM-PMF can be expanded by mixing other matrix factorization methods, for example, SVD, SVD++, and nonnegative matrix factorization, that only consider the rating factor. Combining LSTM-PMF with some of the approaches mentioned above can possibly boost the effectiveness of rating prediction with sparse data in large datasets.
数据可用性
数据用于支持本研究的结果中包括这篇文章。
的利益冲突
作者宣称他们没有利益冲突有关的出版工作。
确认
这项研究是由内部完全支持并资助拨款意大利Amikom日惹。