Movie-RNET: Best of Best Movie Recommendation via Deep Learning Networks from Multi-Format Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<title>Abstract</title> Recommendation systems are desperately needed because of the large volume of information generated by the ever-growing use of social networks and the Internet. A recommendation system is essential since exploring the large collection can be time-consuming and difficult. In this research, a novel deep learning-based MovieRNet for best of best movie recommendation system using multi-format data has been proposed. Initially, the multiformat data such as reviews, emoji and trailer are gathered and pre-processed the reviews, emojis using normalization. The trailer videos are converted into frames and pre-processed using contrast stretching adaptive Gaussian Star filter for eliminating the noise artifacts. Pre-processed text is used as an input for BiGRU, which uses reviews to categorise films as offensive, non-offensive, or offensive but non-offensive. Pre-processed images are used as an input for Yolo v7, which uses features extracted from the movie trailer to categorise films as violent and non-violent. Pre-processed text is used as an input for BiGRU, which uses reviews to categorise films as offensive, non-offensive, or offensive but non-offensive. Pre-processed images are used as an input for Yolo v7, which uses features extracted from the movie trailer to categorise films as violent and non-violent. Jelly fish optimization algorithm is used for decision making by analyzing the outputs of the two neural networks to get the optimal prediction rate for time-to-time by updating the user profile with past references of the users. Recall, accuracy, specificity, precision, and F-measure were some of the criteria used to evaluate the proposed technique. The accuracy of the proposed method is improved by 9.6%, 7.8%, 3.5%, and 2.15% better than the existing LSTM-CNN, SRDNet, VRConvMF and SDLM methods respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,014 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle