TriDeepRec: A Hybrid Deep Learning Approach to Content and Behaviour-based Recommendation Systems
Notice bibliographique
Résumé
Abstract Hybrid recommendation systems are increasingly crucial for businesses aiming to boost revenue and customer engagement. These systems integrate various algorithms, each with unique strengths, to outperform traditional recommendation methods. Our study introduces a novel hybrid recommendation system, TriDeepRec, which effectively combines content-based and behaviour-based data to enhance recommendation accuracy. We first introduce a Convolutional Autoencoder-based Recommendation System (CAERS), designed to process content data and extract complex, meaningful patterns, translating these into predictive ratings. Notably, CAERS tackles the cold-start problem by leveraging content information alone, making it robust in scenarios where historical user interaction data is sparse or unavailable. Next, we incorporate Neural Collaborative Filtering (NCF), a deep learning approach, to analyze past user behaviour and predict ratings. The outputs from CAERS and NCF are then integrated using a Multilayer Perceptron (MLP), a type of neural network, to generate the final recommendations. Our methodology employs three deep learning techniques to create TriDeepRec, a system capable of utilizing both past interactions and content attributes. We evaluate our system using two datasets, initially focusing on CAERS to demonstrate its effectiveness in addressing the cold-start problem. Subsequently, we assess the performance of TriDeepRec as a whole. The results, measured in terms of Mean Absolute Error (MAE) and Root Mean Square Error (RMSE), indicate significant improvements over both the individual components and other leading models in the field. This demonstrates that TriDeepRec, by 1 harnessing the strengths of both content and behaviour data, provides a more accurate and reliable recommendation system.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».