지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2019.8
- 수록면
- 87 - 93 (7page)
이용수
초록· 키워드
오류제보하기
These days, as interest in the recommendation system with deep learning is increasing, a number of related studies to develop a performance for collaborative filtering through autoencoder, a state-of-the-art deep learning neural network architecture has advanced considerably. The purpose of this study is to propose autoencoder which is used by the recommendation system to predict ratings, and we added more hidden layers to the original architecture of autoencoder so that we implemented deep autoencoder with 3 to 5 hidden layers for much deeper architecture. In this paper, therefore we make a comparison between the performance of them. In this research, we use 2-dimensional arrays and 3-dimensional tensor as the input dataset. As a result, we found a correlation between matrix entry of the 3-dimensional dataset such as item-time and user-time and also figured out that deep autoencoder with extra hidden layers generalized even better performance than autoencoder.
목차
Abstract
I. Introduction
II. Preliminaries
III. The Proposed Scheme
IV. Conclusions
REFERENCES
참고문헌 (12)
참고문헌 신청
J. B. Schafer / 2007 / The adaptive web / Springer :291~324
G. Adomavicius / 2011 / Recommender systems handbook / Springer :217~253
Y. Koren / 2009 / Matrix factorization techniques for recommender systems / Computer 30(8):30~37
Y. LeCun / 2015 / Deep learning / nature 521(7553):436
R. Salakhutdinov / 2007 / Restricted Boltzmann machines for collaborative filtering / Proceedings of the 24th international conference on Machine learning :791~798
G. Adomavicius / 2011 / Recommender systems handbook / Springer :217~253
Y. Koren / 2009 / Matrix factorization techniques for recommender systems / Computer 30(8):30~37
Y. LeCun / 2015 / Deep learning / nature 521(7553):436
R. Salakhutdinov / 2007 / Restricted Boltzmann machines for collaborative filtering / Proceedings of the 24th international conference on Machine learning :791~798
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
Finding the best suited autoencoder for reducing model complexity
스마트미디어저널
2021 .09
-
학습 채널의 전처리에 따른 Autoencoder 기반 통신 모델의 성능 비교
한국통신학회 학술대회논문집
2018 .06
-
오토인코더를 이용한 지하전력구 이상감지 시스템
전기학회논문지 P
2020 .06
-
Autoencoder 및 Variational Autoencoder 기반 위조지문 판별 모델 비교
대한전자공학회 학술대회
2022 .11
-
Predictive System for Mental Health of Machine Operators Based on Deep Autoencoder Model
한국기계기술학회지
2024 .08
-
시계열 데이터의 이미지 인코딩 및 Autoencoder 를 이용한 절삭공구의 이상감지
한국정밀공학회 학술발표대회 논문집
2024 .11
-
AutoEncoder-LSTM 기반 배터리 현재 상태 예측 딥러닝 방향성 및 연구
전력전자학회 학술대회 논문집
2022 .11
-
Robust deep autoencoder를 활용한 공정 프로세스에서의 이상탐지
대한산업공학회 추계학술대회 논문집
2019 .11
-
Autoencoder for Low-Complexity CSI Reconstruction in Cellular Network
한국통신학회 학술대회논문집
2019 .01
-
비지도학습 기반 Self-Attention LSTM Autoencoder 및 LSTM Autoencoder의 심층 특징 앙상블을 통한 회전기계 이상 탐지 성능 향상 연구
대한전기학회 학술대회 논문집
2023 .04
-
Convolutional Autoencoder 차원 축소를 이용한 딥러닝 기반 위상 최적화 방법 연구
대한기계학회 춘추학술대회
2021 .08
-
온라인 행동 로그를 활용한 Variational Autoencoders 기반의 추천 모델 개발
한국정보과학회 학술발표논문집
2020 .12
-
LSTM AutoEncoder 기반의 이상행동 감지 시스템
한국통신학회 학술대회논문집
2024 .11
-
잡음제거 신경망의 경량화를 위한 Autoencoder 구현
대한전자공학회 학술대회
2020 .08
-
입력 데이터 무작위도 특성이 기본 오토인코더와 적층 오토인코더의 학습 성능에 미치는 영향
한국통신학회논문지
2022 .01
-
AutoEncoder를 활용한 대규모 해양관측데이터의 효율적인 유사도 검색 기법
한국정보과학회 학술발표논문집
2022 .12
-
딥 오토인코더 기반의 개인화 추천 시스템 : 사용자의 내재적 특성 고려
한국정보과학회 학술발표논문집
2017 .06
-
Convolutional Autoencoder with Hybrid Learning
대한산업공학회 추계학술대회 논문집
2016 .11
-
IoT 디바이스 환경에서 Autoencoder 기반 이상 감지 기법 구현
한국정보과학회 학술발표논문집
2018 .12
-
종이접기 방법과 Autoencoder를 이용한 3차원 형상의 표면 공력 데이터 예측
한국전산유체공학회 학술대회논문집
2023 .05
이 논문의 저자 정보
이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0