nach oben

Erschienen in:

2021 | OriginalPaper | Buchkapitel

Session Based Recommendations Using Char-Level Recurrent Neural Networks

verfasst von : Michal Dobrovolny, Jaroslav Langer, Ali Selamat, Ondrej Krejcar

Erschienen in: Advances in Computational Collective Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

The use of long short-term memory (LSTM) for session-based recommendations is described in this research. This study uses char-level LSTM as a real-time recommendation service to test and offer the optimal solution. Our strategy can be used to any situation. Two LSTM layers and a thick layer make up our model. To evaluate the prediction results, we use the mean of squared errors. We also put our recall and precision metrics prediction to the test. The best-performing network had roughly 2000 classes and was a trainer for the last year of likes on an image-based social platform. On twenty objects, our best model had a recall value of 0.182 and a precision value of 0.061.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Social Recommendation for Social Networks Using Deep Learning Approach: A Systematic Review

Nächstes Kapitel Hybridization of Metaheuristic and Population-Based Algorithms with Neural Network Learning for Function Approximation

Abdel-Nasser, M., Mahmoud, K.: Accurate photovoltaic power forecasting models using deep LSTM-RNN. Neural Comput. Appl. 31(7), 2727–2740 (2017). https://doi.org/10.1007/s00521-017-3225-zCrossRef

Ciresan, D., Meier, U., Schmidhuber, J.: Multi-column deep neural networks for image classification. In: 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3642–3649. IEEE, New York (2012). wOS:000309166203102

Dobrovolny, M., Mls, K., Krejcar, O., Mambou, S., Selamat, A.: Medical image data upscaling with generative adversarial networks. In: Rojas, I., Valenzuela, O., Rojas, F., Herrera, L.J., Ortuño, F. (eds.) IWBBIO 2020. LNCS, vol. 12108, pp. 739–749. Springer, Cham (2020). https://doi.org/10.1007/978-3-030-45385-5_66CrossRef

Dobrovolny, M., Selamat, A., Krejcar, O.: Session based recommendations using recurrent neural networks - long short-term memory. In: Nguyen, N.T., Chittayasothorn, S., Niyato, D., Trawiński, B. (eds.) ACIIDS 2021. LNCS (LNAI), vol. 12672, pp. 53–65. Springer, Cham (2021). https://doi.org/10.1007/978-3-030-73280-6_5CrossRef

Dobrovolny, M., Soukal, I., Lim, K.C., Selamat, A., Krejcar, O.: Forecasting of FOREX price trend using recurrent neural network - long short-term memory, pp. 95–103 April 2020. 10.36689/uhk/hed/2020-01-011, http://hdl.handle.net/20.500.12603/212

Gunawardana, A., Shani, G.: Evaluating recommender systems. In: Ricci, F., Rokach, L., Shapira, B. (eds.) Recommender Systems Handbook, pp. 265–308. Springer, Boston (2015). https://doi.org/10.1007/978-1-4899-7637-6_8CrossRef

Harper, F.M., Konstan, J.A.: The movielens datasets: history and context. ACM Trans. Interact. Intell. Syst. 5(4), 1–19 (2016). https://doi.org/10.1145/2827872CrossRef

Hinton, G.E., Salakhutdinov, R.R.: Reducing the dimensionality of data with neural networks. Science 313(5786), 504–507 (2006). https://doi.org/10.1126/science.1127647, wOS:000239308600057

Hochreiter, S., Schmidhuber, J.: Long short-term memory. Neural Comput. 9(8), 1735–1780 (1997). https://doi.org/10.1162/neco.1997.9.8.1735CrossRef

10.

Kuchaiev, O., Ginsburg, B.: Training deep autoencoders for collaborative filtering. arXiv:1708.01715 (2017)

11.

Ledig, C., et al.: Photo-realistic single image super-resolution using a generative adversarial network. In: 30th IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2017), pp. 105–114. IEEE, New York (2017). wOS:000418371400012

12.

Liu, W., Wang, Z., Liu, X., Zeng, N., Liu, Y., Alsaadi, F.E.: A survey of deep neural network architectures and their applications. Neurocomputing 234, 11–26 (2017). https://doi.org/10.1016/j.neucom.2016.12.038, wOS:000395221800002

13.

Mambou, S., Krejcar, O., Selamat, A., Dobrovolny, M., Maresova, P., Kuca, K.: Novel thermal image classification based on techniques derived from mathematical morphology: case of breast cancer. In: Rojas, I., Valenzuela, O., Rojas, F., Herrera, L.J., Ortuño, F. (eds.) IWBBIO 2020. LNCS, vol. 12108, pp. 683–694. Springer, Cham (2020). https://doi.org/10.1007/978-3-030-45385-5_61CrossRef

14.

Pena-Barragan, J.M., Ngugi, M.K., Plant, R.E., Six, J.: Object-based crop identification using multiple vegetation indices, textural features and crop phenology. Remote Sens. Envir. 115(6), 1301–1316 (2011). https://doi.org/10.1016/j.rse.2011.01.009CrossRef

15.

Sedhain, S., Menon, A.K., Sanner, S., Xie, L.: AutoRec: autoencoders meet collaborative filtering. In: Proceedings of the 24th International Conference on World Wide Web, WWW 2015 Companion, pp. 111–112. Association for Computing Machinery, Florence, May 2015. https://doi.org/10.1145/2740908.2742726

16.

Sun, Y., Chen, J., Liu, Q., Liu, G.: Learning image compressed sensing with sub-pixel convolutional generative adversarial network. Pattern Recogn. 98, 107051 (2020). https://doi.org/10.1016/j.patcog.2019.107051, http://www.sciencedirect.com/science/article/pii/S003132031930353X

17.

Vaiyapuri, T., Binbusayyis, A.: Application of deep autoencoder as an one-class classifier for unsupervised network intrusion detection: a comparative evaluation. PeerJ Comput. Sci. 6, e327 (2020). https://doi.org/10.7717/peerj-cs.327 wOS:000599181100001

18.

Varsamopoulos, S., Bertels, K., Almudever, C.G.: Designing neural network based decoders for surface codes, p. 13 (2018)

19.

Wolterink, J.M., Leiner, T., Viergever, M.A., Isgum, I.: Generative adversarial networks for noise reduction in low-dose CT. IEEE Trans. Med. Imaging 36(12), 2536–2545 (2017). https://doi.org/10.1109/TMI.2017.2708987, wOS:000417913600013

20.

Wu, Y., DuBois, C., Zheng, A.X., Ester, M.: Collaborative denoising auto-encoders for top-n recommender systems. In: Proceedings of the Ninth ACM International Conference on Web Search and Data Mining WSDM 2016, pp. 153–162. Association for Computing Machinery, San Francisco, California February 2016. https://doi.org/10.1145/2835776.2835837

21.

Yang, Q., et al.: Low-dose CT image denoising using a generative adversarial network with wasserstein distance and perceptual loss. IEEE Trans. Med. Imaging 37(6), 1348–1357 (2018). https://doi.org/10.1109/TMI.2018.2827462, wOS:000434302700006

Titel: Session Based Recommendations Using Char-Level Recurrent Neural Networks
verfasst von: Michal Dobrovolny
Jaroslav Langer
Ali Selamat
Ondrej Krejcar
Verlag: Springer International Publishing
Buch: Advances in Computational Collective Intelligence
Print ISBN: 978-3-030-88112-2

Electronic ISBN: 978-3-030-88113-9

Copyright-Jahr: 2021
DOI: https://doi.org/10.1007/978-3-030-88113-9_3

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"