黃純敏;林重佑;黃進瑞;
頁: 423-447
日期: 2013/10
卷期: 20(4)
關鍵字: 學習向量量化;推薦系統;混合過濾;協同過濾;內容過濾;
Keywords: Learning Vector Quantization;Recommendation System;Hybrid Filtering;Collaborative Filtering;Content-based Filtering;
摘要: 內容過濾與協同過濾是經常用於提供個人化服務的技術，近年來則多偏向結合各種監督式學習的混合式過濾方式，並以三層或多層式網路架構產生推薦結果，然而其設計不易且有網路收斂效率低的問題。本研究以學習向量量化（Learning Vector Quantization；LVQ）簡約的兩層式網路...

引用     導入Endnote

葉怡成;陳重志;黃冠傑;
頁: 135-154
日期: 2008/04
卷期: 15(2)
關鍵字: 半徑基神經網路;監督式學習;核函數;分類;
Keywords: Radial basis function network;supervised learning;kernel function;classification;
摘要: 徑向基底函數網路(RBFN)常用於分類問題，它的核有形心與半徑二種參數，這二種參數可用監督式或無監督式學習來決定。但它有一個缺點是視所有自變數有同等地位，故分類邊界是圓形，但事實上每一個自變數對分類的影響力不同，分類邊界是應該是橢圓形較合理。為克服此一缺點...

引用     導入Endnote

許中川;
頁: 61-84
日期: 2004/04
卷期: 11(2)
關鍵字: 自組映射圖;資料探勘;概念階層;類神經網路;群集分析;
Keywords: self-organizing maps;data mining;concept hierarchy;neural networks;cluster analysis;
摘要: 自組映射圖是一種非監督式學習類神經網路，可以將高維度資料投射到低維度空間，並以視覺化方式呈現，反映高維度資料之間的相似度。自組映射圖應用廣泛，包括工程方面及商業方面，例如圖紋辨識、語音辨識、監督處理及流程控制、文件地圖及消費者資料分析等。然而，傳統自...

引用     導入Endnote