全文获取类型
收费全文 | 58篇 |
免费 | 1篇 |
国内免费 | 4篇 |
专业分类
综合类 | 3篇 |
化学工业 | 3篇 |
建筑科学 | 20篇 |
轻工业 | 1篇 |
水利工程 | 3篇 |
石油天然气 | 5篇 |
无线电 | 5篇 |
自动化技术 | 23篇 |
出版年
2022年 | 2篇 |
2021年 | 3篇 |
2020年 | 1篇 |
2019年 | 4篇 |
2018年 | 2篇 |
2017年 | 1篇 |
2016年 | 1篇 |
2014年 | 10篇 |
2013年 | 5篇 |
2012年 | 7篇 |
2011年 | 7篇 |
2010年 | 2篇 |
2009年 | 1篇 |
2008年 | 2篇 |
2007年 | 1篇 |
2006年 | 2篇 |
2005年 | 1篇 |
2004年 | 4篇 |
2003年 | 1篇 |
2000年 | 1篇 |
1999年 | 1篇 |
1996年 | 1篇 |
1985年 | 1篇 |
1983年 | 1篇 |
1980年 | 1篇 |
排序方式: 共有63条查询结果,搜索用时 15 毫秒
31.
32.
33.
34.
将显式特征与隐式反馈相结合是提高单类协同过滤(OCCF)推荐准确性的常用方法.但目前的研究一般是直接将原始显式特征或交叉特征集成到OCCF模型中,因其难以判断哪些显式特征是真正重要的,故很难获得显著的性能改进.基于此,提出了一种耦合用户公共特征的单类协同过滤推荐算法(UCC-OCCF).首先,建立基于邻居的共同偏好表示... 相似文献
35.
36.
基于隐式反馈信息的推荐是目前推荐系统领域的重要方法,能在一定程度上解决显式信息难以获得的问题。但由于隐式数据本身的特点单纯利用隐式反馈信息往往难以获取较好的推荐性能。针对此问题,本文提出一种融合元数据及隐式反馈信息的多层次深度联合学习(Multi-level Deep Joint Learning,简称MDJL)的推荐方法。它利用双深度神经网络共同学习,其中一个网络利用隐式反馈学习用户及项目个体个性化关系,另一个网络利用元数据学习高层次群体共性化关系,从而有效地表达用户偏好,使MDJL框架在个体及群体因素间达到平衡。实验结果表明,MDJL推荐算法在MovieLens 100K和MovieLens 1M两个公开数据集上均表现出更优越的推荐性能。 相似文献
37.
38.
39.
40.