Effects of Extended Stochastic Gradient Descent Algorithms on Improving Latent Factor-Based Recommender Systems

High-dimensional and sparse (HiDS) matrices from recommender systems contain various useful patterns. A latent factor (LF) analysis is highly efficient in grasping these patterns. Stochastic gradient descent (SGD) is a widely adopted algorithm to train an LF model. Can its extensions be capable of f...

Celý popis

Podrobná bibliografie

Vydáno v:	IEEE robotics and automation letters Ročník 4; číslo 2; s. 618 - 624
Hlavní autoři:	Luo, Xin, Zhou, MengChu
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Piscataway IEEE 01.04.2019 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	AI-based methods Algorithms Big data in robotics and automation Convergence Data models machine learning Missing data Model accuracy Prediction algorithms Predictive models Recommender systems Stochastic processes
ISSN:	2377-3766, 2377-3766
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!