Ensemble learning in recommender systems: combining multiple user interactions for ranking personalization (2014)
- Autores:
- Autor USP: MANZATO, MARCELO GARCIA - ICMC
- Unidade: ICMC
- DOI: 10.1145/2664551.2664556
- Assuntos: MULTIMÍDIA INTERATIVA; WORLD WIDE WEB; RECUPERAÇÃO DA INFORMAÇÃO
- Idioma: Inglês
- Imprenta:
- ISBN: 9781450332309
- Fonte:
- Título do periódico: Proceedings
- Nome do evento: Brazilian Symposium on Multimedia and the Web - WebMedia
- Este periódico é de assinatura
- Este artigo NÃO é de acesso aberto
- Cor do Acesso Aberto: closed
-
ABNT
FORTES, Arthur e MANZATO, Marcelo Garcia. Ensemble learning in recommender systems: combining multiple user interactions for ranking personalization. 2014, Anais.. New York: ACM, 2014. Disponível em: https://doi.org/10.1145/2664551.2664556. Acesso em: 19 set. 2024. -
APA
Fortes, A., & Manzato, M. G. (2014). Ensemble learning in recommender systems: combining multiple user interactions for ranking personalization. In Proceedings. New York: ACM. doi:10.1145/2664551.2664556 -
NLM
Fortes A, Manzato MG. Ensemble learning in recommender systems: combining multiple user interactions for ranking personalization [Internet]. Proceedings. 2014 ;[citado 2024 set. 19 ] Available from: https://doi.org/10.1145/2664551.2664556 -
Vancouver
Fortes A, Manzato MG. Ensemble learning in recommender systems: combining multiple user interactions for ranking personalization [Internet]. Proceedings. 2014 ;[citado 2024 set. 19 ] Available from: https://doi.org/10.1145/2664551.2664556 - Uma arquitetura de personalização de conteúdo baseada em anotações do usuário
- Incorporating semantic item representations to soften the cold start problem
- Evaluating the combination of multiple metadata types in movies recommendation
- Semantic organization of user's reviews applied in recommender systems
- CoBaR: confidence-based recommender
- Exploiting feature extraction techniques on users' reviews for movies recommendation
- Exploiting item representations for soft clustering recommendation
- Combining different metadata views for better recommendation accuracy
- Exploiting personalized calibration and metrics for fairness recommendation
- Case recommender: a recommender framework
Informações sobre o DOI: 10.1145/2664551.2664556 (Fonte: oaDOI API)
Como citar
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas