A Proactive Multi-type Context-Aware Recommender System in the Environment of Internet of Things

Salman, Yassmeen; Abu-Issa, Abdallatif; Tumar, Iyad; Hassouneh, Yousef

doi:10.1109/cit/iucc/dasc/picom.2015.50

Cited by 19 publications

(11 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A paper establishes a recommendation system using the connectivity of IoT devices [14]. Authors used an artificial neural network (ANN) to do the reasoning of the context and to determine the time and the product for the recommendation.…”

Section: Previous Work On Iot Recommender Systemsmentioning

confidence: 99%

“…However, when the service IoT literature is investigated there are a few studies that offer recommendation systems for the IoT services. Few studies in the literature used tripartite graph-based model [13], artificial neural network (ANN) [14], user-based collaborative filtering [15], and a user profile similaritybased model [16]. Still, IoT services need a recommender system which offers new services to the users that best fits their interests [17].…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Deep AutoEncoders in Recommender Systems: An Application about Internet of Things Service Recommendation

Birim

2021

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Özet-Nesnelerin İnterneti (IoT) küçük ve birbirine bağlı, internet aracılığıyla bilgi paylaşımı sağlayan cihazlardan oluşan bir sistemdir. Gelecek IoT cihazlarının gerçekleştirdiği hizmetlerin sayısının oldukça artmasını beklemektedir. Bu nedenle IoT hizmeti önerme, gelecekte çok önemli bir faaliyet halini alacaktır. Bu çalışma, IoT hizmetleri tavsiyesi için en iyi yöntemi bulmayı hedeflemektedir. Bu amaç doğrultusunda bu çalışma derin otokodlayıcılar yöntemi ile, kullanıcılara IoT hizmet ve uygulamalarını kullandıkları cihazlara bağlı olarak önermeyi amaçlamıştır. Derin otokodlayıcılar, kullanıcı hizmet tercih matrisini tahmin edebilmek için sinir ağlarını kullanır. Bu çalışmada kullanılan veri, gerçek bir Sosyal IoT veri setinden yararlanılarak oluşturulmuştur. Sonuçlara göre derin otokodlayıcılar, teknoloji harikası öneri yöntemlere göre daha başarılı bir performans ortaya koymuştur. Bulunan sonuçlara göre Derin otokodlayıcılar diğer yöntemlere göre performans göstergelerinde %13.5 ile %69.5 arasında değişen oranlarda iyileştirme sağlamıştır. Bu sonuca ek olarak ELU (exponential linear units), özel bir çeşit aktivasyon fonksiyonu ile oto kodlayıcıların performansının arttırılabileceği görülmüştür. Bu çalışma IoT hizmet önerisi literatürüne geleneksel ve teknoloji harikası kabul edilen yöntemlere bir alternatif sunarak katkı sağlamaktadır.

show abstract

Section: Previous Work On Iot Recommender Systemsmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Deep AutoEncoders in Recommender Systems: An Application about Internet of Things Service Recommendation

Birim

2021

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

show abstract

“…Ao produzir um sistema de recomendação, é importante verificar outros tipos de informações, além do feedback do usuário, que influenciam na sua decisão e podem ser usados para estabelecer a nota de recomendação dos itens. Alguns exemplos que podemos citar de informações que podem ser usadas para complementar a recomendação de itens são os relacionamentos do usuário [Mo et al, 2014], comportamento do usuário em redes sociais [Both Suzy Edith and Yu, 2018], sua posição geográfica [Zhu et al, 2017] e dados mais completos do contexto do usuário gerados, por exemplo, através da Internet das Coisas [Salman et al, 2015].…”

Section: Problema a Ser Estudadounclassified

Personalização da experiência em museus: aplicação real de um sistema de recomendação

Laskoski¹

View full text Add to dashboard Cite

Dedico este espaço a todas as pessoas que contribuíram direta ou indiretamente para a geração deste trabalho. À minha família, especialmente aos meus pais Teodoro e Elizete, por todo o amor, sempre me apoiando, especialmente nos momentos de dificuldade, e à minha noiva Gisoon, por todo o seu amor, motivação e compreensão. Ao meu orientador Prof. Dr. Alfredo Goldman, primeiramente pela confiança indescritível, e por todo o suporte, conselhos e críticas, sempre presente, me guiando ao longo de todos esses quase 3 anos de mestrado. À prof. Dra. Alessandra Fernandes Bizerra, pela indiscutível receptividade, suporte, experiência e parceria na aplicação e execução desse trabalho. À Cecília, pelo especial suporte, amizade, e excelente humor, no processo de coleta de dados da pesquisa. Aos funcionários do Parque CienTec Ailton, Franco e Célia, e ao Thiago, Diego, Natali, Victoria, Junior, Isabela, Renato e demais monitores e monitoras, pela amizade e suporte na coleta de dados da pesquisa. Aos meus amigos, pela amizade e motivação, deixando toda a trajetória mais fácil e feliz.

show abstract

“…Em busca do aprimoramento da qualidade e utilidade das sugestões geradas pelos SR, novos conceitos emergentes e em evolução nos dias de hoje, tais como Computação Ubíqua e Internet das Coisas (Internet of Things -IoT), são integrados nos SR. Através desta integração, informações obtidas do contexto onde estão inseridos os SR são utilizados para a elaboração de sugestões (PERERA et al, 2014;SALMAN et al, 2015). Em suma, SR com Filtragem Colaborativa abrangem inúmeros usuários.…”

Section: Introductionunclassified

“…Comparando dados obtidos através de abordagens explícitas com as adquiridas implicitamente, Como SPRSC têm como pretensão determinar itens, ações e/ou serviços para seus usuários baseado no contexto em que estão inseridos, a definição de IA utilizada nesta dissertação é a cunhada por Barr & Feigenbaum (1981) (PERERA et al, 2014;SALMAN et al, 2015). Em algumas circunstâncias, exemplos de pares (x, f(x)) podem ser descritas de formas consistentes por várias hipóteses, gerando a indagação de qual hipótese consistente escolher já que todas apresentam resultados coerentes.…”

Section: Introductionunclassified

Sistemas proativos de recomendação sensíveis ao contexto: autonomia de sistemas de recomendação baseado nas informações provenientes da internet das coisas e aprendizagem indutiva

Ruy¹

View full text Add to dashboard Cite

More and more Internet of Things (IoT) is present in human being diary life and their belongings. Because of this evolution, large quantities of data of different types are generated.Due to the IoT has as premise the virtual modeling of things in physical world, these data can be treated and used for different purposes. When Recommender Systems used data originating from IoT to characterize the context where are inserted, the concept of Recommender Systems Context-awareness arise. Although a great part of systems context-awareness use these data for increase the quality of suggestions, context data can also determinate situations where the system must make a proactive recommendation, in other words, the system provides a recommendation without explicit request of user. Once the Recommender System has autonomy to provide suggestions, the concept of Proactive Recommender System arise. Nowadays few researches applied the aspect of proactivity to provide recommendations, thus there are large gaps about the characteristics that must be considerate when develop these systems and how these characteristics are interrelated. The main problem addressed in this dissertation it is the identification of which difficulties and aspects inherent in the development of Proactive Recommender Systems. For this purpose, articles involving studies about Internet of Things, Recommender Systems, Recommender Systems Context-awareness, Proactive Recommender Systems and Machine Learning methods, are debated and serve as theoretical basis of this research. Once the principal aspects and difficulties are identified, was developed an evaluation model called Proactive Recommender System Context-Awareness, where this model is divide into four parts. For application of this evaluation model, a ProactiveRecommender System of movies, that use simulated IoT data and Inductive Machine Learning, was elaborated. As a result, the evaluation model was deployed with the principal aspects that characterize the Proactive Recommender System. Besides that, was developed a Proactive Recommender System Context-Awareness of movies. The algorithm C4.5 was used for decision trees generation that provide users' preferences profile of movies and to determinate propitious moments for proactive recommendations of movies.

show abstract

A Proactive Multi-type Context-Aware Recommender System in the Environment of Internet of Things

Cited by 19 publications

References 8 publications

Deep AutoEncoders in Recommender Systems: An Application about Internet of Things Service Recommendation

Deep AutoEncoders in Recommender Systems: An Application about Internet of Things Service Recommendation

Personalização da experiência em museus: aplicação real de um sistema de recomendação

Sistemas proativos de recomendação sensíveis ao contexto: autonomia de sistemas de recomendação baseado nas informações provenientes da internet das coisas e aprendizagem indutiva

Contact Info

Product

Resources

About