Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Các nhóm người dùng có sở thích tương đồng để dự đoán xếp hạng trong hệ thống gợi ý
Tóm tắt
Hệ thống gợi ý đã thu hút sự chú ý của nhiều nhà nghiên cứu nhờ vào sự phát triển của việc cá nhân hóa, phân loại và gợi ý sản phẩm cho khách hàng. Hầu hết các dự đoán xếp hạng trong hệ thống gợi ý đều dựa trên sở thích của khách hàng hoặc hành vi lịch sử của những khách hàng tương tự. Mức độ tương đồng giữa các khách hàng thường được đo lường qua số lần khách hàng thích hoặc không thích một mặt hàng nào đó. Với số lượng và sự đa dạng của các mặt hàng, nhiều khách hàng không thể được coi là tương tự, vì họ không đánh giá các mặt hàng giống nhau, ngay cả khi họ có sở thích tương đồng. Bài báo này trình bày một phương pháp mới để dự đoán xếp hạng trong các hệ thống gợi ý. Phương pháp được đề xuất bắt đầu bằng việc xác định các hướng sở thích hoặc các trung tâm quan tâm dựa trên thông tin nhân khẩu học của người dùng kết hợp với các đánh giá trước đó của họ. Do đó, nó sử dụng phân tích thành phần chính để rút ra các hướng sở thích chính. Theo các hướng này, các nhóm người dùng được tạo ra. Sau đó, đối với mỗi nhóm, nó sinh ra một mô hình dự đoán sẽ được sử dụng để dự đoán các xếp hạng chưa biết của người dùng trong nhóm tương ứng. Để đánh giá độ chính xác của phương pháp được đề xuất, chúng tôi so sánh kết quả của nó với bốn phương pháp cơ bản, cụ thể là: RegSVD, BiasedMF, SVD++ và MudRecS. Kết quả chứng minh rằng thuật toán được đề xuất chính xác hơn so với các thuật toán cơ bản.
Từ khóa
#hệ thống gợi ý #dự đoán xếp hạng #sở thích người dùng #phân tích thành phần chính #mô hình dự đoán #độ chính xác.Tài liệu tham khảo
Aggarwal C (2016) Neighborhood-based collaborative filtering. Recommender Systems: The Textbook. Springer International Publishing, Cham, pp 29–70
Aivazoglou M, Roussos AO, Margaris D, Vassilakis C, Ioannidis S, Polakis J, Spiliotopoulos D (2020) A fine-grained social network recommender system. Soc Netw Anal Min 10(1):8. https://doi.org/10.1007/s13278-019-0621-7
Alam S, Dobbie G, Riddle P, Koh YS (2012) Hierarchical PSO clustering based recommender system. In: Proceedings of the IEEE congress on evolutionary computation, CEC 2012, Brisbane, Australia, June 10–15, 2012, pp 1–8
Amatriain X, Jaimes A, Oliver N, Pujol JM (2015) Data mining methods for recommender systems. In: Ricci F, Rokach L, Shapira B, Kantor PB (eds) Recommender systems handbook. Springer, New York, pp 227–262
Brugger C, Chinazzo AL, John AF, de Schryver C, Wehn N, Schlauch WE, Zweig KA (2016) Increasing sampling efficiency for the fixed degree sequence model with phase transitions. Soc Netw Anal Min 6(1):100:1–100:14. https://doi.org/10.1007/s13278-016-0407-0
Das J, Mukherjee P, Majumder S, Gupta P (2014) Clustering-based recommender system using principles of voting theory. In: 2014 International conference on contemporary computing and informatics (IC3I) pp 230–235
Feng M, Loy LY, Zhang F, Zhang Z, Vellaisamy K, Chin PL, Guan C, Shen L, King NKK, Lee KK, Ang BT (2012) Intracranial pressure and brain monitoring XIV, Springer, Vienna, chap Go Green!. Reusing brain monitoring data containing missing values: a feasibility study with traumatic brain injury patients, pp 51–59
Freyne J, Berkovsky S, Smith G (2011) User modeling, adaption and personalization. In: 19th International conference, UMAP 2011, Girona, Spain, July 11–15, 2011. Proceedings, Springer, Berlin, chap recipe recommendation: accuracy and reasoning, pp 99–110
Goldberg K, Roeder T, Gupta D, Perkins C (2001) Eigentaste: a constant time collaborative filtering algorithm. Inf Retr 4(2):133–151
Guan X, Li CT, Guan Y (2016) Enhanced SVD for collaborative filtering. In: Proceedings Part II (ed) of the 20th Pacific-Asia conference on advances in knowledge discovery and data mining, vol 9652. Springer-Verlag, Berlin, Heidelberg, PAKDD, pp 503–514
Huang S, Li X, Candan KS, Sapino ML (2016) Reducing seed noise in personalized pagerank. Soc Netw Anal Min 6(1):6:1–6:25. https://doi.org/10.1007/s13278-015-0309-6
Idrissi N, Zellou A (2020) A systematic literature review of sparsity issues in recommender systems. Soc Netw Anal Min 10(1):15
Jaffali S, Jamoussi S (2012) Principal component analysis neural network for textual document categorization and dimension reduction. In: 2012 6th International conference on sciences of electronics, technologies of information and telecommunications (SETIT), pp 835–839
Jaffali S, Jamoussi S, BenHamadou A, Smaili K (2016) Grouping like-minded users for ratings’ prediction. In: Czarnowski I, Caballero AM, Howlett RJ, Jain LC (eds) Intelligent decision technologies 2016. Springer, Cham, pp 3–14
Jelassi MN, Ben Yahia S, Mephu Nguifo E (2015) Towards more targeted recommendations in folksonomies. Soc Netw Anal Min 5(1):68:1–68:18
Koren Y (2008) Factorization meets the neighborhood: A multifaceted collaborative filtering model. In: Proceedings of the 14th ACM SIGKDD international conference on knowledge discovery and data mining, ACM, USA, KDD ’08, pp 426–434
Koren Y, Bell RM (2015) Advances in collaborative filtering. In: Recommender systems handbook, pp 77–118
Linden G, Smith B, York J (2003) Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Comput 7(1):76–80
Luger GF (2008) Artificial intelligence: structures and strategies for complex problem solving, 6th edn. Addison-Wesley Publishing Company, Boston
Margaris D, Vassilakis C, Spiliotopoulos D (2019) Handling uncertainty in social media textual information for improving venue recommendation formulation quality in social networks. Soc Netw Anal Min 9(1):64:1–64:19. https://doi.org/10.1007/s13278-019-0610-x
Mnih A, Salakhutdinov R (2007) Probabilistic matrix factorization. In: NIPS, pp 1257–1264
Ning X, Desrosiers C, Karypis G (2015) A comprehensive survey of neighborhood-based recommendation methods. In: Recommender systems handbook, pp 37–76
Paterek A (2007) Improving regularized singular value decomposition for collaborative filtering. Proc KDD Cup Workshop 2007:5–8
Qumsiyeh R, Ng YK (2012) Predicting the ratings of multimedia items for making personalized recommendations. In: The 35th international ACM SIGIR conference on research and development in Information Retrieval, Portland, USA, SIGIR 12, pp 475–484
Raiche G, Walls TA, Magis D, Riopel M, Blais J (2013) Non graphical solutions for the cattell’s scree test. J Res Methods Behav Soc Sci 9:23–29
Sarwar BM, Karypis G, Konstan JA, Riedl JT (2000) Application of dimensionality reduction in recommender system— a case study. In: Proceedings of the 6th ACM SIGKDD international conference on knowledge discovery and data mining, workshop on web mining for E–Commerce, USA, pp 1–12
Scholkopf B, Smola AJ, Williamson RC, Bartlett PL (2000) New support vector algorithms. Neural Comput 12(5):1207–1245
Taheri SM, Mahyar H, Firouzi M, Ghalebi KE, Grosu R, Movaghar A (2017) Extracting implicit social relation for social recommendation techniques in user rating prediction. In: Proceedings of the 26th international conference on world wide web companion, Perth, Australia, April 3–7, 2017, pp 1343–1351
Zahra S, Ghazanfar MA, Khalid A, Azam MA, Naeem U, Prugel-Bennett A (2015) Novel centroid selection approaches for kmeans-clustering based recommender systems. Inf Sci 320:156–189
Zhang W, Wang J (2015) A collective bayesian poisson factorization model for cold-start local event recommendation. In: Proceedings of the 21th ACM SIGKDD international conference on knowledge discovery and data mining, ACM, New York, NY, USA, KDD ’15, pp 1455–1464