Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Thiết kế hệ thống gợi ý tương hỗ cho dịch vụ hẹn hò trực tuyến
Tóm tắt
Các trang web hẹn hò trực tuyến đã trở thành những nền tảng phổ biến cho mọi người tìm kiếm những đối tác lãng mạn tiềm năng. Khác với các gợi ý truyền thống về người dùng và mục tiêu, trong đó mục đích là kết hợp các mục (ví dụ: sách, video) với sở thích của người dùng, một hệ thống gợi ý cho hẹn hò trực tuyến nhằm mục đích kết hợp những người có quan tâm lẫn nhau và có khả năng giao tiếp với nhau. Chúng tôi giới thiệu các biện pháp đo độ tương đồng để phản ánh các đặc điểm và tính chất độc đáo của mạng lưới hẹn hò trực tuyến, ví dụ, độ tương đồng về quan tâm giữa hai người dùng nếu họ gửi tin nhắn cho cùng một người dùng, và độ tương đồng về sức hấp dẫn nếu họ nhận được tin nhắn từ cùng một người dùng. Một điểm số tương hỗ được tính toán để đo lường khả năng tương thích giữa một người dùng và mỗi ứng cử viên hẹn hò tiềm năng, từ đó tạo ra danh sách gợi ý bao gồm những người dùng có điểm số cao nhất. Hiệu suất của hệ thống gợi ý mà chúng tôi đề xuất được đánh giá trên một tập dữ liệu từ một trang web hẹn hò trực tuyến lớn tại Trung Quốc. Kết quả cho thấy các thuật toán gợi ý của chúng tôi vượt trội hơn đáng kể so với các phương pháp trước đó đã được đề xuất, và các thuật toán dựa trên lọc hợp tác đạt hiệu suất tốt hơn rất nhiều so với các thuật toán dựa trên nội dung về cả độ chính xác và độ thu hồi. Kết quả của chúng tôi cũng tiết lộ những khác biệt hành vi thú vị giữa người dùng nam và nữ khi tìm kiếm những cuộc hẹn tiềm năng. Cụ thể, nam giới có xu hướng tập trung vào sở thích của bản thân và không nhận thức được sức hấp dẫn của họ đối với những cuộc hẹn tiềm năng, trong khi phụ nữ lại chú ý hơn đến sức hấp dẫn của bản thân trong mối tương tác này.
Từ khóa
#hệ thống gợi ý #hẹn hò trực tuyến #độ tương đồng #người dùng #tương thíchTài liệu tham khảo
Akehurst J, Koprinska I, Yacef K, Pizzato L, Kay J, Rej T (2011) CCR—a content-collaborative reciprocal recommender for online dating. In: Proceedings of the twenty-second international joint conference on artificial intelligence
Cai X, Bain M, Krzywicki A, Wobckes W, Kim YS, Compton P, Mahidadia A (2010) Collaborative filetering for people-to-people recommendation in social networks. In: Austrlian joint conference on artifical intelligence
Hannon J, Bennett M, Smyth B (2010) Recommending Twitter users to follow using content and collaborative filtering approaches. In: Proceedings of the 2010 ACM conference on recommendation system
Hopcroft J, Lou T, Tang J (2011) Who will follow you back? Reciprocal relationship prediction. In: Proceedings of the 2011 international conference on information and knowledge management
Koren Y, Bell R, Volinsky C (2009) Matrix factorization techniques for recommender systems. IEEE Comput 8:30–38
Li L, Li T (2012) MEET: a generalized framework for reciprocal recommender systems. In: Proceedings of ACM international conference on information and knowledge management
Mori J, Kajikawa Y, Kashima H, Sakata I (2012) Machine learning approach for finding business partners and building reciprocal relationships. Expert Syst Appl Int J 39(12):10402–10407
Pizzato LA, Silvestrini C (2011) Stochastic matching and collaborative filtering to recommend people to people. In: Proceedings of the 2011 ACM conference on recommendation system
Pizzato L, Chung T, Rej T, Koprinska I, Yacef K, Kay J (2010a) Learning user preference in online dating. In: Proceedings of the preference learning (PL-10) tutorial and workshop. In: European conference on machine learning and principles and practice of knowledge discovery in databases
Pizzato L, Rej T, Chung T, Koprinska I, Kay J (2010b) RECON: a reciprocal recommender for online dating. In: Proceedings of the 2010 ACM conference on recommendation system
Pizzato L, Rej T, Yacef K, Koprinska I, Kay J (2011) Finding someone you will like and who won’t reject you. In: Proceedings of the 19th international conference onuser modeling, adaptation, and personalization
Shi Y, Karatzoglou A, Baltrunas L, Larson M, Oliver N, Hanjalic A (2012) CLiMF: learning to maximize reciprocal rank with collaborative less-is-more filtering. In: Proceedings of the 2012 ACM conference on recommendation system
Shi Y, Karatzoglou A, Baltrunas L, Larson M, Hanjalic A (2013) xCLiMF: optimizing expected reciprocal rank for data with multiple levels of relevance. In: Proceedings of the 2013 ACM conference on recommendation system
Tu K, Ribeiro B, Jensen D, Towsley D, Liu B, Jiang H, Wang X (2014) Online dating recommendations: matching markets and learning preferences. In: Proceedings of 5th international workshop on social recommender systems, in conjunction with 23rd international world wide web conference
Xia P, Ribeiro B, Chen C, Liu B, Towsley D (2013) A study of user behaviors on an online dating site. In: Proceedings of the IEEE/ACM international conference on advances in social networks analysis and mining
Xia P, Jiang H, Wang X, Chen C, Liu B (2014a) Predicting user replying behavior on a large online dating site. In: Proceedings of 8th international AAAI conference on weblogs and social media
Xia P, Tu K, Ribeiro B, Jiang H, Wang X, Chen C, Liu B, Towsley D (2014b) Characterization of user online dating behavior and preference on a large online dating site. In: Missaoui R, Sarr I (eds) Social network analysis—community detection and evolution, Springer International Publishing, Switzerland, pp 193–217. http://link.springer.com/chapter/10.1007%2F978-3-319-12188-8_9
Xia P, Liu B, Sun Y, Chen C (2015) Reciprocal recommendation system for online dating. In: Proceedings of the IEEE/ACM international conference on advances in social networks analysis and mining
Zhao G, Lee ML, Hsu W, Chen W, Hu H (2013) Community-based user recommendation in uni-directional social networks. In: Proceedings of the 2013 international conference on information and knowledge management
Zhao K, Wang X, Yu M, Gao B (2014) User recommendation in reciprocal and bipartite social networks—a case study of online dating. In: IEEE intelligent systems