Session Based Recommendations Using Recurrent Neural Networks - Long Short-Term Memory

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62690094%3A18450%2F21%3A50018034" target="_blank" >RIV/62690094:18450/21:50018034 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-73280-6_5" target="_blank" >http://dx.doi.org/10.1007/978-3-030-73280-6_5</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-73280-6_5" target="_blank" >10.1007/978-3-030-73280-6_5</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Session Based Recommendations Using Recurrent Neural Networks - Long Short-Term Memory

Popis výsledku v původním jazyce

This paper describes the use of long short-term memory (LSTM) for session-based recommendations. This paper aims to test and propose the best solution using word-level LSTM as a real-time recommendation service. Our method is for general use. Our model is composed of embedding, two LSTM layers and dense layer. We employ the mean of squared errors to assess the prediction results. Also, we tested our prediction of recall and precision metrics. The best performing network has been a trainer for the last year of likes on an image-based social platform and contained about 2000 classes. Our best model has resulted in recall value 0.0213 and precision value 0.0052 on twenty items. © 2021, Springer Nature Switzerland AG.

Název v anglickém jazyce

Session Based Recommendations Using Recurrent Neural Networks - Long Short-Term Memory

Popis výsledku anglicky

This paper describes the use of long short-term memory (LSTM) for session-based recommendations. This paper aims to test and propose the best solution using word-level LSTM as a real-time recommendation service. Our method is for general use. Our model is composed of embedding, two LSTM layers and dense layer. We employ the mean of squared errors to assess the prediction results. Also, we tested our prediction of recall and precision metrics. The best performing network has been a trainer for the last year of likes on an image-based social platform and contained about 2000 classes. Our best model has resulted in recall value 0.0213 and precision value 0.0052 on twenty items. © 2021, Springer Nature Switzerland AG.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2021

Kód důvěrnosti údajů

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

Název statě ve sborníku

Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)

ISBN

978-3-030-73279-0

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

13

Strana od-do

53-65

Název nakladatele

Springer Science and Business Media Deutschland GmbH

Místo vydání

Cham

Místo konání akce

Phuket

Datum konání akce

7. 4. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—