Trend-Enabled Recommender System with Diversity Enhancer for Crop Recommendation
Notice bibliographique
Résumé
Achieving optimal agricultural yields and promoting sustainable farming relies on accurate crop recommendations. However, the applicability of many current systems is limited by their considerable computational requirements and dependence on comprehensive datasets, especially in resource-limited contexts. This paper presents HOLISTIQ RS, a novel crop recommendation system explicitly designed for operation on low-specification hardware and in data-scarce regions. HOLISTIQ RS combines collaborative filtering with a Markov model to predict appropriate crop choices, drawing upon user profiles, regional agricultural data, and past crop performance. Results indicate that HOLISTIQ RS provides a significant increase in recommendation accuracy, achieving a MAP@5 of 0.31 and nDCG@5 of 0.41, outperforming standard collaborative filtering methods (the KNN achieved MAP@5 of 0.28 and nDCG@5 of 0.38, and the ANN achieved MAP@5 of 0.25 and nDCG@5 of 0.35). Significantly, the system also demonstrates enhanced recommendation diversity, achieving an Item Variety (IV@5) of 23%, which is absent in deterministic baselines. Significantly, the system is engineered for reduced energy consumption and can be deployed on low-cost hardware. This provides a feasible and adaptable method for encouraging informed decision-making and promoting sustainable agricultural practices in areas where resources are constrained, with an emphasis on lower energy usage.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».