.png){kind=icon}
返回
Improved Neural Collaborative Filtering Algorithm for Personalized Training Plan Recommendations
.png){kind=icon}
PRE
AI
DOI：10.1142/S0218126626500374.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决协同过滤推荐中的数据稀疏性和冷启动问题，现有模型主要依赖用户行为数据，忽视了项目内容特征和用户个人属性。本研究将改进的神经协同过滤（I-NCF）算法应用于通过非线性特征组合处理高维稀疏数据，以实现更精准的足球运动员个性化训练计划推荐。首先，收集运动员个人信息和训练计划数据，并利用嵌入层（Embedding layer）将其转换为低维向量。随后，在I-NCF中应用残差连接和注意力机制，以自适应地捕获特征组合，不同特征通过隐藏层逐步融合。采用批量归一化（Batch normalization）加速训练收敛，并添加Dropout以避免过拟合。最终，利用随机梯度下降（SGD）调整网络权重，并以交叉熵作为损失函数，基于网格搜索优化模型超参数。研究显示，I-NCF在推荐协调性与平衡训练计划方面表现优异，平均绝对误差（MAE）仅为0.068；在九项足球训练计划中的平均Precision@k达到0.817，标准差仅为0.036；训练第四周时运动员速度提升12.80%，耐力提升15.40%；改进算法下的训练计划可显著提升球员体能，提高训练效率并实现精准个性化推荐。
Keyword:
Neural collaborative filtering
personalized training plan
data sparsity
residual connections
attention mechanism
期刊
IF:
1
论文数:
387
被引数:
2.3K
机构
引用论文
.png){kind=icon}
Overtaking Feasibility Prediction for Mixed Connected and Connectionless Vehicles混合连接和无连接车辆的超车可行性预测
OAAI
OAAI分享收藏分享收藏
查看更多内容