Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Hybrid Recommending Exploiting Multiple DBPedia Language Editions

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F14%3A10277923" target="_blank" >RIV/00216208:11320/14:10277923 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://link.springer.com/book/10.1007/978-3-319-12024-9" target="_blank" >http://link.springer.com/book/10.1007/978-3-319-12024-9</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-319-12024-9" target="_blank" >10.1007/978-3-319-12024-9</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Hybrid Recommending Exploiting Multiple DBPedia Language Editions

  • Popis výsledku v původním jazyce

    In this paper we describe approach of our SemWex1 group to the ESWC 2014 RecSys Challenge. Our method is based on using an adaptation of Content Boosted Matrix factorization [1], where objects are defined through their content-based features. Features were comprised of both direct DBPedia RDF triples and derived semantic information (with some WIE and NLP features). Total of seven DBPedia language editions were used to form the dataset. In the paper we will further describe our methods for semantic information creation, data filtration, algorithm details and settings as well as decisions made during the challenge and dead ends we explored.

  • Název v anglickém jazyce

    Hybrid Recommending Exploiting Multiple DBPedia Language Editions

  • Popis výsledku anglicky

    In this paper we describe approach of our SemWex1 group to the ESWC 2014 RecSys Challenge. Our method is based on using an adaptation of Content Boosted Matrix factorization [1], where objects are defined through their content-based features. Features were comprised of both direct DBPedia RDF triples and derived semantic information (with some WIE and NLP features). Total of seven DBPedia language editions were used to form the dataset. In the paper we will further describe our methods for semantic information creation, data filtration, algorithm details and settings as well as decisions made during the challenge and dead ends we explored.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2014

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Semantic Web Evaluation Challenge

  • ISBN

    978-3-319-12023-2

  • ISSN

    1865-0929

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

    144-149

  • Název nakladatele

    Springer Verlag

  • Místo vydání

    Germany

  • Místo konání akce

    Anissaras, Crete, Greece

  • Datum konání akce

    25. 5. 2014

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku