没有合适的资源?快使用搜索试试~ 我知道了~
International Journal of Information Management Data Insights 2(2022)100090MATURE-Food:针对个性化特征选择的食物推荐系统一个实现数字健康Ritu ShandilyaRitu,Sugam Sharma,Johnny Wong爱荷华州立大学,爱荷华aRT i cL e i nf o索引术语:成熟特色强制食品饮食营养数字健康推荐系统机器学习a b sTR a cT为了推导出更合适和有用的推荐,有必要合并额外的信息,如用户和项目的特征以及通常的基于评级的用户-项目相关性。在这项研究中,一个基于内容的推荐系统,成熟的进一步发展,它依赖于额外的信息相关的用户项目推荐项目的用户谁有当前的强制性需要,以适应相对于过去的喜好。成熟驱动的推荐强制性地包括并满足用户这使其区别于现有的算法,在现有的算法中,推荐主要基于过去的偏好,并且不能满足与用户过去的偏好相反的用户的当前可以说,MATURE是第一个推荐系统,它有希望地承担给定的强制性要求,同时推荐最合适的项目集,并对推荐进行适当的说明。本文扩展了成熟的适用性,并侧重于其应用程序作为食品推荐系统的强制性营养价值,需要每天食用。1. 介绍推荐系统(RS(s))通过帮助用户进行有效的决策来预测用户的偏好,从而提高用户的满意度。最新的研究表明,有效地使用用户与项目的相关性以及用户和项目的广告信息(特征)来估计用户的偏好并进行推荐。然而,健康推荐系统(HRS(s)),其中用户的需求是关键的,需要密集的算法来进行定性推荐 将用户的关键需求与用户的偏好高度优先地结合起来1.1. 基本推荐算法基于协同过滤(CF)的系统导出用户推荐,其基于用户的先前偏好,诸如购买、评论、喜欢和评级。述的项目推荐 通过组合来自所有关 联 用 户 的 对 该 特 定 项 目 的 过 去 评 级 来 进 行 [Breese 等 人 ,2013;Polatidis等人, 2016;Wahid-Ul-Ashraf等人,2019年]。此外,CF方法被分类为基于邻域(NBased)和基于模型(MBased),其中在NBased-CF系统中,未来评级预测是基于用户(相似用户集)和基于项目(相似项目集)的。在用户中-∗ 通讯作者。基于NBased,选择与当前用户对相同项目集具有相似偏好的相似用户集,并组合其项目评分的权重,从而构造预测。在基于项目的方法中,NBased侧重于之前偏好的相似项目集[Linden et al.,2003年]。基于用户的出租具有可伸缩性问题,因为用于搜索 相似的用户变得复杂。基于项目的方法通常对推荐进行改进。基于模型的方法估计和评估用户评级的建模参数以生成推荐。此外,CF可以映射到分类问题[Billsus等人,1998; Pazzani等人,1999年]。相应地,为每个活跃用户构造一个分类器,其中项目由特征向量表示,可用评级为标签。Malhotra等人(2021)提出了一种标签传播算法,该算法不需要分类特征的参数,而只需要一个连续特征的参数来对项目进行分类。 类似地,其他预测建模方法,例如潜在因子和矩阵因子化模型[Neve等人,2019;Bokde等人,2015],在提供推荐时也考虑用户项的相似性。基于内容的过滤(CB)方法[Ai等人,2019]利用用户项目附加信息,并且推荐具有与用户过去喜欢的那些项目相似的特征或者具有用户特征匹配的那些项目。CB利用项目功能或用户电子邮件地址:ritusha@iastate.edu(R. Shandilya),sugamsha@iastate.edu(S. Sharma),wong@iastate.edu(J. Wong)。https://doi.org/10.1016/j.jjimei.2022.100090接收日期:2021年8月2日;接收日期:2022年6月8日;接受日期:2022年6月8日2667-0968/© 2022作者。由Elsevier Ltd.发布。这是一个CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)目录可在ScienceDirect国际信息管理数据见解期刊主页:www.elsevier.com/locate/jjimeiR. Shandilya,S. Sharma和J. WongInternational Journal of Information Management Data Insights 2(2022)1000902特征单独地或组合地形成所述结构。CF仅基于用户评级矩阵生成推荐,而CB结合用户项目附加信息,例如用户的人口统计[ Pazzani等人,1999,Wang等人,2018]或项目的特征,例如在电影项目中,导演姓名或电影流派[ Melville等人,2002年,Sharma等人,2021年],因为这些功能对于细化的个性化推荐非常重要。 Hybrid推荐算法结合多种方法以利用一种方法的优点并克服其他方法的问题[Dharia等人,2016; Han等人,2018; Shi等人,2020; Su等人,2020; Pan等人,2010年,Rajendran等人,2021年]。用于进行推荐的推荐器系统使用许多算法,以便发现与目标用户或与目标用户具有最相似特征的用户先前偏好的项目具有高相似性的项目。传统的推荐系统在目标是找到最相似的项目的场景中表现良好。用户在喜欢、评级或特征项和/或用户方面的过去偏好,但是当存在满足用户当前强制性需要的要求时,尽管与过去偏好相反,但屈服于它们的性能。存在诸如HRS的区域,其中严格的用户要求的因素HRS推荐算法考虑具有类似健康状况的患者,将需要类似的医疗保健计划,但对于个性化HRS,它有更具体的要求,而不是找到最相似的项目或用户。在某些关键场景中,作为针对患有饮食相关疾病的患者的个性化食物RS、药物RS、疾病预测、健康状况预测、预测药物副作用等,所提出的建议必须尊重所有强制性要求。 可以说,现有的RS并不完全匹配- 包括或排除-当生成对用户的项目推荐时,在该研究上下文中被称为强制特征(MF)的某些特征。为了更好地阐明MF概念,我们设计了一个场景,其中将为患有饮食相关慢性疾病的患者提供食物建议。在这种健康情况下,使用者具有严格的营养需求,即使在极度痛苦的条件下也不能放松或释放。例如,应始终推荐最近诊断为慢性肾病的用户具有低钠、低钾和低糖的饮食,以将体内的电解质维持在规定的范围内,从而使使用者保持稳定的健康状况,但是使用者过去的食物偏好并不表明消费了满足这些要求的食物。在这些场景中,基于用户最相似的过去偏好生成食物推荐的RS不能推荐合适的食物项由于建议的项目不能确保满足MF要求,即使推荐的项目与用户过去的偏好高度相似。这种情况的一个很好的例子可以在eFeed-Hungers [Sharma等人,2018 a;Sharma等人,2018b;Sharma等人, 2022]模式,可以向消费者,最终用户提供个性化的食物推荐,并有严格的饮食要求。如上所述,传统的现有RS在构成项目建议的同时,并不完全保证包括显式MF。因此,在我们的研究工作中,我们制定并开发了成熟的模型,以保证住宿的强制性功能要求以及用户的过去的喜好。MATURE依赖于项目特定的信息以及用户特定的信息来推断整个MF集合,并随后将其容纳在推荐给用户的项目集合中。因此,在推荐过程中,MATURE收获特定于项目和特定于用户的信息,以完全满足用户结果部分证明了所提出的工作与三个不同的情况下,MF和过去的偏好之间的相似性的有效性。在这项研究中,我们假设,如果在推荐的项目集,MF严格的要求是完全符合一个公平的解释,用户更喜欢不喜欢的功能超过最喜欢的功能。标记有MF的附加信息有助于制定赔偿理由。例如,MATURE可以向用户提供具有稀释相似性的项目集的推荐,其推理是推荐完全满足具有最高可能相似性的严格MF这项工作是我们以前早期研究工作的延伸[Shandilya et al.,2020],其中MovieLens [Harper等人,2015]数据集用于测试所提出的算法。然而,如前所述,当使用健康数据集进行测试时,MA-TURE可能会产生更优化的结果,其中用户的健康要求是严格的且无法避免的。使用了来自爱荷华大学医院和诊所(UIHC)的真实食物数据集(Food SurveysResearch Group,2019)和慢性肾病(CKD)患者的医疗记录。 本文旨在探索MATURE对CKD患者的适用性,并进一步加强结果和讨论。本文其余部分的结构如下。 第2节是相关的工作,它汇编了前面探索的类似工作。第3节是本文的核心,并详细探讨了我们的模型。 第4节展示了广泛的实验本研究的程序,这是由各种案例场景支持iOS. 第5节对本研究的贡献和重要局限性进行了讨论。本文在第6中结束。2. 相关工作混合RS使用用户和项目的附加或附加信息以及用户-项目相关性来捕获用户的偏好以提高整体性能。在本节中,概述了基于内容的RS一种基于类别属性(CAB)模型 是 提出 Zhao等人(2018),该方法在推荐输出中利用项目附加信息进行项目分类。通过项目的类别特征计算项目的相似度,这在构建稀疏用户项目集的推荐中变得更加重要。CAB用尽两种建模方法,层次分类和多任务学习,预测用户的首选项目集以及项目的分类特征。 Frolov等人(2019)将项目的附加信息与基于CF的PureSVD相结合PureSVD以评分、喜欢和购买的形式使用用户的偏好;然而,这种偏好可能高度受项目特征的影响。因此,研究者将项目的附加信息与PureSVD相结合,将其推广为HybridSVD. Rashed et al.(2019)开发了一种算法,该算法利用用户-项目交互图的拉普拉斯算子来提取用于评级预测的通用基于图的特征。2.1. 医疗保健领域由于本文主要关注MATURE在医疗领域的适用性,因此本节介绍了RS(s)的最新研究工作。 在医疗保健领域。数字健康彻底改变了医疗保健行业[Awad等人,2021年],这仍然是一个广泛的研究领域。我们只关注研究方面,考虑饮食RS(s),用户Ge等人(2015年)表明,快速忙碌的生活方式以及大量的食物种类极大地影响了食物的选择。而且,选择健康的食物已经成为一个关键问题。Afshin等人(2019)进行的研究显示,次优饮食对非传染性疾病死亡率的潜在影响,R. Shandilya,S. Sharma和J. WongInternational Journal of Information Management Data Insights 2(2022)1000903Fig. 1. 成熟的建筑。该模型主要由五个模块组成-基于特征的项目分类,强制特征提取,首选特征提取,Top k相似类查找,Top k推荐项目查找。发病率因此,不断努力在健康/饮食领域应用RS,以帮助最终用户和医疗专业人员。以下部分探讨了饮食RS(s)中为解决这些问题所做的一些重要工作。Agapito等人(2018)和F.Mata等人(2018)提出了基于网络的RS,该RS基于从用户检索的医疗信息构建用户Bianchini等人(2017年)提出了PREFer,一种食品RS,提供个性化和健康的菜单,同时考虑到用户的偏好 和医疗 处方, 但它不 提供明确 的营养 信息。Escherman等人(2017)提出了一种基于云的食物RS,DIET-RIGHT,它基于用户该系统还强调了选定饮食的相关性。Tran 等 人 ( 2018 ) , Tran 等 人 , ( 2021 ) , Trang 等 人(2018),Trattner等人(2017)、Stark等人(2019)和Pincay等人(2019)概述了健康食品和饮食领域的推荐系统,并评估了饮食RS的现有最新技术,讨论了与未来饮食推荐技术发展相关的重要贡献、挑战和未来研究方向;他们都推断检索用户信息和食物营养事实本身具有挑战性;根据用户信息,推荐基于正确营养价值的饮食是另一个挑战。由此可见,现有的推荐系统在推荐商品的同时,还考虑了用户的偏好以及用户和商品的附加信息。这些传统的(在本文中可互换地称为经典的)模型既不灵活也不可行。能够承担由一些强制性要求组成的场景,这些要求与用户过去的偏好相反。例如,病人的营养需求,要完全满足。这种强制性要求有时是动态的,不稳定的,经常变化。另一方面,MATURE在推荐食物项目时,将食物的营养成分与用户过去的偏好以及用户的强制性营养要求相结合。3. 拟议工作该部分由四个核心任务组成:1)基于特征集对项目进行分类,2)找到用户特定的强制特征(MF),3)基于过去的偏好计算个人偏好特征(PF),以及4)在推荐项目时完全适应MF相关用户特定需求的建议推荐方法。图1是MATURE的详细架构,描述了上述每个任务。这些任务在这里进一步说明。3.1. 基于数据库(FB)的分类3.1.1. 项目特征提取如前所述,所提出的工作利用项目的附加信息,这主要是项目的相关元数据,如项目描述,摘要,营养成分,品牌名称,排名,价格等。附加信息构成项目的特征集的形成。让我们假设,S是所有项s. t的集合。={|i = 1,2,...,n},其中n=||,则该节点的基数表示总数R. Shandilya,S. Sharma和J. WongInternational Journal of Information Management Data Insights 2(2022)1000904|∑||������=���������||||‖‖22���ℂ⃖⃖⃖⃖���⃖⃖⃖⃖���⃖⃖⃖⃖⃖⃗=第1页,........你好,...������(二������������的项目。设fx为集合fx中所有项的组合特征集。={|j = 1,2,,m},提取的项目的特征集根据其他信息;m=||.在等式(1)中,任何项i由给定表示为二进制向量。���=���1,���2,������������中国(1)为了推导出用户和特征之间的相关性,这表明了u对特定特征集的兴趣,���������u的最小值向量通过E q(5)中的公式计算。喜欢的特征的新近年龄与其重要性成正比 来计算用户的兴趣。用户u的特征的生命周期由k表示���。在哪里,1���������������������������∈ {=1= 1���������������������������������ℙ⃖������⃖⃖⃖⃖⃖⃖⃖⃖⃖⃗={���1,....... . ���你���好,... . ������中国(5)������={������0������ ℎ���������������������������∑|���|���������1��������� ∈���������������������其中,={=1|���=������������{������1∈≥���3.1.2. 项目分类FB分类基于两个项目之间的特征值相似性对项目进行分类,如果相似,则将项目分配到一个类���0���������ℎ���������������������2������如果类间相似性得分超过给定阈值或任何类间相似性得分,该等项目可使用合适的分类技术按其特征分类。3.2. 计算类特征相关性(Cx F)为了获得特征和类之间的相关性,对于每个类,计算以下权重向量,其描述了与类X(x)相关联的每个特征的重要性���,超参数∈φ���。3.5. 组合特征计算为了一起获得用户u的MF和PF���������,在Eq(6)中计算组合特征向量{}���=���������{1,....... . ���你���... . ������中国(6)���哪里������������( )=1()下一页������ℎ������������������{1}������∈ ���其中,={���1������������������������������∈���|���|0������ ℎ������������������������������������ℎ������������������������������,������������������������|���∈���}3.3.识别强制性特征(MF)用户u的强制性特征的集合由集合MF给出,并且二进制向量MF表示用户u的MF,并且其二进制向量表示如下。���(3)(a)在该等情况下─������������������������3.6. MATURE算法在本节中,我们具体阐述了核心算法[Shandilya et al.,2020],在我们提出的成熟模型的开发背后几乎是自我描述的伪代码。在第一阶段,在训练数据集T上训练项目分类器,并将项目分类为n类。第二阶段计算:每个人的历史偏好(参考Eq(2)),历史偏好������������������������������以及用户特征相关性。在哪里,������ = {1���������������������������}��� ∈0������ ℎ������������������此外,对于每个类别,相似度是通过函数计算的(Eq(7)中规定的);然后,最高相似度得分被分配给具有高度相似项的类别������������������的u的MF可以从用户的配置文件中提取。比如说,对于患有慢性肾脏问题的u,规定的营养价值,如等式(7)展示了u的特征选择和特征选择之间的余弦相似度计算。低钠低钾食物是获得MF的丰富来源。此外,还可以通过本体映射来导出MFs���������������(()������(请注意,������)(7)基于用户例如,������||ℂ⃖⃖⃖ ⃖���⃖⃖⃖ ⃖���⃖ ⃖ ⃖⃖ ⃖⃗||‖���⃖⃖⃖���⃖⃖⃖⃖⃖���⃖⃖⃗���‖对于一个病人来说,糖尿病可以被映射到{低糖,不||���2 ‖ ‖ 2||2 ‖‖2糖}。让用户u的用户名(用户名,用户名)。还假设,数组是所有项的集合���3.4. 特征计算。对于任何yitem∈,我们计算(),相似度���������对于用户u,我们假设用户u������用户,用户���������在E q(8)中,n个特征s之间的关系。过去更喜欢假设PF是用户u的PF,并且由()下一页=二进制向量。���()不公平竞争。ℙ⃖⃖⃖���⃖⃖⃖⃖���⃖⃖⃖⃗���你好 ,你好������你知道吗,我是说,������������������������������������������(||⃖⃖⃖⃖⃗||(8)第一次见面在哪里,������= {1������}������.���.���∈���������������������������������������0������ ℎ������������������算法:MATURE:推荐系统用于强制性特征选择R. Shandilya,S. Sharma和J. WongInternational Journal of Information Management Data Insights 2(2022)1000905| || |||������0���������ℎ���������������������2���������输入:种子训练集T,分类策略Sc,项目集Sc,强制特征集Sc,表1营养价值范围用户喜欢的项目集���算法:1. 中文(简体)←你,你←,1←,2. 分类器(T,Sc)3. 将表中的项目分类为C类3.对于n= 1,2,.,n4. 计算类特征权重向量:������5. ℂ⃖������⃖⃖⃖⃖⃖⃖⃖⃖⃖⃖⃖⃗={���1,....... . ������,������}........������������6.=∑|���(|���{1������}∈���������=1( )������ℎ������������������������7. 端|���|0������ ℎ������������������8. 用于用户u9. 计算首选特征的权重向量������10. ℙ⃖������⃖⃖⃖⃖⃖⃖⃖⃖⃖⃗={���1,....... . {\fn 黑体\fs22\bord1\shad0\3aHBE\4aH00\fscx67\fscy66\2cHFFFFFF\3cH808080}������������∑|���| ���=1������������1��������� ∈���������������������<文化11. ������= {||���ℎ������������ = {1������}∈���������≥���12. 计算组合特征的权重向量������������13.������={1������������������������������ ∈(https://fdc.nal.usda.gov/download-datasets.html)。4.2. 方法���14. 端������������ℎ������������������4.2.1. 基于资产的项目分类15.对于n= 1,2,.,n16. 计算a的相似度���������������������实验过程开始于对17. 端食品我们使用的数据集有7084种食物,64种营养素18. 根据类的大小按降序19. 将前k个类分配给集合20. 对于j= 1,2,...,||#对于集合中的每个类每种食物每100克可食用部分所含的含量。这些食物的子集基于64种不同营养素的值被手动标记,并且这些营养素被用作每个食物的特征21. 对于m= 1,2,.,���#对于类别j中的每个项目,22. Compute计算(计算,计算,计算)������������23. 如果((,)≥1)������������24. 计算时间(计算时间,计算时间)������25.←∪每种营养素的营养价值属于四个级别之一,根据范围,营养价值在于。表1显示了最相关营养素的每个水平的营养值范围(参考,慢性肾病儿童营养,2022)。26. 端27. 端28. 端29. 按降序排列的S或t,基don( ,)������4.2.2. 每个类的计算特性(CxF)32.1 = ���������������������������������食物项目数据集的子集被用作训练数据集。基于33. 根据评分降序排列第1位输出:输出考虑到MATURE的主要目标是完全满足严格的强制性特征需求,需求满足度得分,���即满足度,也需要按照公式(9)计算。(九)按降序将前k个字符分配给下一个字符( ⃖⃖⃖⃖⃗,ℙ⃖���⃖���⃖⃖ ⃗ ���), ���������( ⃖⃖⃖ ⃖ ⃗,���⃖���⃖���⃖⃖ ⃗ ���)≥1Where,作为一个集合的项目,成熟的建议。4. 实验程序和结果4.1. 数据集选择性特征,训练数据集被手动标记,并用于训练模型,以通过使用现有的基于特征的分类算法对剩余和新项目进行分类。在对食品进行分类后,������使用Eq(2)计算每一类别的食物的平均摄入量。4.2.3. 计算强制特征(MF)选择了一组对CKD患者有高影响的营养素(参考,慢性肾病儿童营养,2022),并基于每日营养素需求,为每种营养素设置了默认值(参考,美国人膳食指南,2022;膳食补充剂情况说明书,2022;美国食品&药品,2022,国家生物技术信息中心,2022)。 表2显示了健康儿童的默认每日营养需求。病人如等式(3)中所示更新矢量Vrk。表3示出了用户u1每日消耗的营养素V值的示例。当测试时,MATURE可能会产生更优化的结果,4.2.4. 计算首选特征(PF)⃖⃖⃖⃖⃖⃖⃖⃖⃖⃖⃖⃖⃗健康数据集,其中用户的健康要求是严格的,不能妥协和忽视。然而,由于美国卫生和人类服务部(HHS)民权办公室(OCR)执行的HIPAA隐私和安全规则,获得用户从病历中检索患者的日常饮食需求和强制性饮食要求。我们亦获取每日食物摄入量,以确定特定时间间隔内的食物偏好。对于食品及其营养价值,我们使用了美国农业部网站上公开提供的数据集:农业部患者���������的饮食史已被用于计算u1的U1。首先,创建u1的偏好食物项的集合,即U1���1;所考虑的项仅是评级>3的那些项。为了将最近偏好的食物项目的特征优先于相对较早偏好的食物项目,评级时间戳从通用秒转换为日期时间年,并且使用超参数���来计算每个特征���������在Eq(5)中的权重。4.2.5. 计算组合特征为了一起捕获患者���������������营养L1L2L3L4钾(mg)0-250250>=500500>=1000>1000钠(mg)0_135135>=200200>=400>400铁(mg)0-22>=44>=10>10蛋白质(g)0-1010>=2020>=3030岁以上磷(mg)0-50150>=100100>=30000>300碳水化合物(g)0-2020>=4040>=60>60糖(g)0-1515>=3030>=4040岁以上钙(mg)0-5050>=100100>=200>200人镁(mg)0-2020>=5050>=100>100R. Shandilya,S. Sharma和J. WongInternational Journal of Information Management Data Insights 2(2022)1000906���1���1���1���1表2营养素的膳食摄入量参考值氯化物(mg/d)铁(mg/d)磷(mg/d)钾(mg/d)钠(mg/d)总蛋白g/kg/天总水量升/天年龄AIMIAIMIAIMIAIMIAIMIAIMIAIMI婴儿0-6个月180ND0.2740100ND400ND120ND1.52ND0.7ND7-12个月570ND1140275ND700ND370ND1.2ND0.8ND儿童1-3岁1500230074046030003000ND100015001.05ND1.3ND4-8岁19002900104050030003800ND120019000.95ND1.7ND男性9-13岁23003400840125040004500ND150022000.95ND2.4ND14-18岁230036001145125040004700ND150023000.85ND3.3ND女性9-13岁23003400840125040004500ND150022000.95ND2.1ND14-18岁2300360015E45125040004700ND150023000.85ND2.3ND资料来源:加拿大卫生部:http://www.hc-sc.gc.ca/fn-an/alt_formats/hpfb-dgpsa/pdf/nutrition/dri_tables-eng.pdf。缩略语:AI:充足摄入量,MI:最大摄入量,ND:未测定。对于MI中的任何营养素,ND表示本研究数据不可用,并不意味着参考摄入量没有上限表3患者每日营养需求氯化物(mg/d)铁(mg/d)磷(mg/d)钾(mg/d)钠(mg/d)总蛋白g/天总水量升/天年龄AIMIAIMIAIMIAIMIAIMIAIMIAIMI5 yNMNM8NMNM368NM700NMNM38NM1.31.5来源:患者缩写:AI:适当摄入,MI:最大摄入量,ND:未测定,NM:非强制性意味着用户没有特定值摄入量值基于配方摄入量,尽管配方经过处理以控制磷和钾水平。聚苯乙烯磺酸钠粉末用于控制钾水平。Renvela®(碳酸司维拉姆)用于控制磷水平。4.3. 结果为了测试该模型,考虑了三种不同的情况。对于每一种情况,都根据以下要求创建了一组不同的强制性功能,与特征s的权重s���������一起跳舞。情况1为了捕获用户u1的最优选的项目具有高频率的MFs的场景,从最优选的项目u1中选择两个特征s作为MFs,在最优选的项目u1中具有最高权重,这表示s选择u1最优选的那两个特征。������������������<������������其中������9 = 0.6945,������13 = 0.758。壳体2为了捕获用户u1的最优选的项目具有MF的中等频率的场景,从用户偏好的项目u1中选择两个特征s���������作为在用户偏好的项目u1中具有平均权重���������的MF。 这意味着选择两个具有平均偏好的特征。其中,1= 0.34,29= 0.367。������������������Eq(9),其中e是一个itembelongstoset,在1上加上���������以及���基于所述排序(���������排序,排序1)。在完成了上面讨论的所有计算之后,为有和没有我们的MATURE的推荐生成食物项列表。为了展示MATURE推荐的项目与其他模型基于需求满足度分数和相似度分数推荐的项目的比较,已选定35至100个项目。图2a-2b,3a-3b,4a-4 b展示了MATURE与其他经典推荐模型的比较。变量RqSw和MF_RqSw是需求满意度得分,变量Sw和MF_Sw是相似性得分分别对经典模型和MATURE模型的推荐项进行了比较。此外,结果进行了讨论,所有三个案例的场景,探索以上。案例1.在这种情况下,对于成熟:<������������其中������9 = 0.70,������13 = 0.76。卡斯楚第一季第三The1���对于所有100个项目,MATURE>=1。为了捕获用户u1的最优选项目具有低频率的MF的场景,从用户偏好列表中选择两个特征���������作为在用户偏好列表中具有最低权重���������的MF。 其中h指示,通过u1选择两个最不优选的特征。<������������其中������12= 0.001,������16= 0.001。由于下一步骤是计算用户������������������������������根据Eq(7)计算出Δ k(,1)。由于只有两个特征被用作MF,因此,只有5个类(k= 5)具有最高的���不���带MATURE的最大值>= 1,仅适用于89个项目。图2a展示了基于���排名的前100个项目的比较,这是由成熟与用户U1的经典模型。如图所示,���对于所有100个项目,使用MATURE时的最小值均>=1,而在没有MATURE时,除了89个项目外,并非所有���项目的最小值均>= 1。比较,如图所示。 2 b,在前100个项目中,推荐由MATURE对用户u1的经典模型是基于MATRIX的。请注意,MA推荐的项目与经典模型推荐的项目之间的差异几乎相同或略低,��������� 前者选择相似性分数e_n(������相似性分数e_n,相似性分数e_n������������,相似性分数e_n,相似性分数e_n,相似性分数e_n)并将其添加到相似性分数e_ n。案例2. 在这种情况下,对于成熟:对于所有食物项���s,其属于以下中的至少一<������������个:其中������1 = 0.34,������29 = 0.367。5个班级,在巴塞罗那,则"(""("���������������������对于���所有35个项目,ML-MATURE的最小值>=1。分别计算为per1Eq(8)和Eq(9),并添加食物不���带ML-MATURE时,只有21个项目的最小值>= 1。地点M到 2016年1月1日, 如果���(( ⃖���������⃖⃖ ⃖⃗,ℙ⃖⃗1)≥1.食品 项目被分类在第1页 据此,���������根据第(1)款,还计算了���������������������������使用相同的Eq(8)和由于在这种情况下由MATURE为数据集推荐的项目的数量仅为35个,因此图3a示出了���仅前35个项目的基于模糊聚类的比较,这35个项目由MATURE与经典模型为用户u1推荐。R. Shandilya,S. Sharma和J. WongInternational Journal of Information Management Data Insights 2(2022)1000907���1图2. a.高权重MF的RqSw见图4。 a.低权重MF的RqSwB.低权重MF的相似性得分Sw的比较图3b示出了由MATURE推荐的前35个项目与用户u1的经典模型的基于排序的比较。之间的恩怨B. 高权重MF的相似性得分Sw的比较MATURE推荐的项目数量远小于经典RS。���������案例3.在这种情况下,对于成熟:其中,12= 0.001,16= 0.001。������������������The1���其中,对于所有50个项目,ML-MATURE>=1。���对于0个项目,不带如上所述,在这种情况下,成熟只有50。因此,图4a展示了仅���针对用户u1的前50个项目的基于用户名的组合。类似地,图4b是仅对前50个项目进行的基于统计学的比较,这些项目是由成熟与其他经典RS推荐的。在显示图中,可以清楚地看到,与经典RS相比,MATURE推荐的项目和n_N_N_N_N_N������图三. a.平均加权MF的RqSwB.平均加权MF的相似性得分Sw的比较5. 讨论上一节说明了MATURE在健康/饮食数据集上的应用,并解释了三种不同情况下的结果。在情况1中,由于强制性营养<������������素也是用户u1最喜欢的食物中所含的营养素,因此对于我们的食物数据集,在这种情况下由MA-TURE推荐的食物与由其他RS推荐的食物极其相似(图2b)。另一方面,���对于所有100种食物,具有MATURE的平均值>=1,而没有MATURE,除了89种食物之外,并非所有食物都具有���>= 1 (Fig. 2a) which implies that all the items recommended通过成熟确保包括所有强制性营养素,但其他RS(S)不保证相同。对于情况2,强制性营养素U1和U229是食物中的营养素含量,其不高但用户u1偏好显著次数;因此,与情况1相同,与其他RS推荐的食物相比,在这种情况下由MATURE推荐的食物与u1偏好的食物不太相似(图3b) 如图所示, 3 a,与���成熟的成熟R. Shandilya,S. Sharma和J. WongInternational Journal of Information Management Data Insights 2(2022)1000908对于所有35种食物项目,均为>=1,而在没有成熟的情况下,只有21种食物项目具有成熟���度>= 1。情况3是用户的强制性营养素需求与用户过去的偏好显著相反的情况,������������在这种情况下,与其他RS推荐的项目相比,MATURE推荐的项目与用户的偏好明显不太相似但是,MATURE推荐的所有50个项目都���超过了1,而对于其他RS,没有一个项目满足强制性营养要求,因为甚至没有一个项目达到���比1高出100%。在对所有情况的结果进行分析之后,发现对于用户u1,如果对应于MF偏好1的菜单项中的菜单项 j的权重t下降,换句话说,包含特征菜单项j的食物项的偏好降低,则包括由经典RS推荐的满足MF要求的食物项的可能性降低,尽管推荐的项与用户的过去偏好高度相似���������另一方面,MA-TURE推荐的所有食物项目满足MF要求,即使推荐的食物项目可能与用户的过去偏好不显著相似,������������������������经典RS推荐与u1偏好相似度高的食物,但不满足MFs要求,推荐的食物不一定都有MFs。相反,我们的模型,成熟,考虑,保证,并容纳MF的要求,在整个推荐的所有项目与住宿过去的偏好尽可能。5.1. 文学贡献传统的医疗保健系统在很大程度上正在走向数字化[Awad et al.,2021年],以提高生活质量,不仅为医疗保健专业人员,但病人也。数字医疗模式,特别是HRS在过去几年中取得了良好的进展,研究仍在继续,以达到成熟, rity。在本文中,我们进
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- RTL8188FU-Linux-v5.7.4.2-36687.20200602.tar(20765).gz
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
- SPC统计方法基础知识.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功