Enhanced Neighborhood-Based Filtering
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- AT&T
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 28 October 2007
- Autores
- RM Bell, Y Koren
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Recommendation
- Tarea
- Recommender system
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 100,000,000 tokens
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Unknown
- Citas
- 687
"We evaluate these methods on the Netflix dataset, where they deliver significantly better results than the commercial Netflix Cinematch recommender system." they don't claim absolute SOTA on any of the benchmarks
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Scalable Collaborative Filtering with Jointly Derived Neighborhood Interpolation Weights
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Enhanced Neighborhood-Based Filtering fue publicado por AT&T, en el país registrado como United States of America, durante October 2007. Sale de una organización categorizada como industry.
Funciona en el dominio de Recommendation, y se registra como realizando la tarea de recommender system.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
Fue entrenado en un corpus de aproximadamente 100,000,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
Enhanced Neighborhood-Based Filtering — preguntas comunes
Enhanced Neighborhood-Based Filtering— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Enhanced Neighborhood-Based Filtering— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
Enhanced Neighborhood-Based Filtering— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Enhanced Neighborhood-Based Filtering— ¿Quién lo creó?
Fue publicado por AT&T, basado en United States of America, una organización categorizada como industry.
Enhanced Neighborhood-Based Filtering— ¿cuándo fue lanzado?
Se publicó en October 2007. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Enhanced Neighborhood-Based Filtering— ¿Para qué se utiliza?
Funciona en el dominio de Recommendation, y se registra como manejando la tarea de recommender system. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.