AE-MCCF: An Autoencoder-Based Multi-criteria Recommendation Algorithm

Batmaz, Zeynep; Kaleli, Cihan

doi:10.1007/s13369-019-03946-z

Cited by 22 publications

(9 citation statements)

References 30 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Even though AE-simMCCF is based on autoencoders, it is completely different from our previous work AE-MCCF presented in [25]. The previous work AE-MCCF is an aggregation function-based method focusing on improving accuracy of the predictions, whereas AE-simMCCF is a similarity-based MCCF approach which focuses on handling with sparsity issue.…”

Section: Related Workmentioning

confidence: 91%

“…Several techniques are proposed for computing similarities such as Euclidean distance [17], Mahalanobis distance [18] grey relational analysis [19,20] for enhancing the accuracy of referrals in similarity-based methods. To improve the accuracy of predictions in aggregation function-based MCCF systems, a part of the researchers try to produce more accurate criterion-based predictions [21][22][23][24][25][26]. Criterion-based predictions are generated by matrix factorization [23], fuzzy Bayesian approach [21], autoencoders [25], multi-layer neural networks [26].…”

Section: Related Workmentioning

confidence: 99%

“…To improve the accuracy of predictions in aggregation function-based MCCF systems, a part of the researchers try to produce more accurate criterion-based predictions [21][22][23][24][25][26]. Criterion-based predictions are generated by matrix factorization [23], fuzzy Bayesian approach [21], autoencoders [25], multi-layer neural networks [26]. Rest of the researchers try to enhance the accuracy of predictions by integrating more precise aggregation function [27][28][29][30][31].…”

Section: Related Workmentioning

confidence: 99%

See 2 more Smart Citations

A new similarity-based multi-criteria recommendation algorithm based on autoencoders

2021

Turk J Elec Eng & Comp Sci

View full text Add to dashboard Cite

Recommender systems provide their users an efficient way to handle with information overload problem by offering personalized suggestions. Traditional recommender systems are based on two-dimensional user-item preference matrix which constructed depending on the users' overall evaluations over items. However, they have begun to present their preferences over under various circumstances. Thus, traditional recommendation techniques fail to process multicriteria ratings during the recommendation process. Multi-criteria recommender systems are an extension of traditional recommender systems that utilize multi-criteria-based user preferences. Multi-criteria recommender systems provide more personalized and accurate predictions compared to traditional recommender systems. However, the increased amount of data dimension causes sparsity to be a major problem of such systems. Especially, the similarity-based multi-criteria recommender systems may fail to find similar neighbors to an active user due to the lack of co-rated items among users.Therefore, we propose a new similarity-based multi-criteria collaborative filtering approach based on autoencoders. In order to handle with sparsity, the proposed method extracts non-linear, low-dimensional, dense features from raw and sparse users'/items' preferences. Our experimental outcomes show that the proposed work can amortize the negative impacts of sparsity over the accuracy comparing with the state-of-the-art multi-criteria recommendation techniques.

show abstract

Section: Related Workmentioning

confidence: 91%

Section: Related Workmentioning

confidence: 99%

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

A new similarity-based multi-criteria recommendation algorithm based on autoencoders

2021

Turk J Elec Eng & Comp Sci

View full text Add to dashboard Cite

show abstract

“…Huang et al [14] propose a new low-rank sparse cross-domain recommendation algorithm to improve the recommendation performance between related domains through knowledge transfer, and also propose a solution to the data sparsity problem to improve the recommendation quality. Batmaz and Kaleli [15] introduce a collaborative filtering system based on multiple criteria to improve the personalization of the system, and extract the nonlinear relationship between users and items by deep learning. It makes the recommendation algorithm more personalized and provides more accurate product recommendations for different users.…”

Section: Related Workmentioning

confidence: 99%

Improvement of Collaborative Filtering Recommendation Algorithm Based on Intuitionistic Fuzzy Reasoning Under Missing Data

Zhang

Wang

2020

IEEE Access

View full text Add to dashboard Cite

“…Yaptıkları deneyler ile yüksek doğruluk oranlarına ulaşmışlardır. Batmaz ve Kaleli (2019) çok kriterli işbirlikçi filtreleme ile nöral ağlarının bir türü olan oto-kodlayıcıları (AE) kullanmışlardır. Geliştirdikleri sistemde (AE-MCCF) katman sayısının artmasıyla doğruluk değerlerinin arttığını görmüşlerdir.…”

Section: İlgili çAlışmalarunclassified

Çok Kriterli Ürün-Tabanlı İşbirlikçi Filtrelemede Ağırlıklandırma Yöntemlerini Kullanarak Tahmin Performansının Arttırılması

Sadıkoğlu

Okkalıoğlu

2020

European Journal of Science and Technology

View full text Add to dashboard Cite

Öz Öneri sistemleri son yıllarda e-ticaret, turizm, film, müzik ve restoran gibi çeşitli alanlarda popüler olarak uygulanmaya başlanmıştır. Araştırmacılar çeşitli algoritmalar geliştirmelerine rağmen işbirlikçi filtreleme öneri sistemlerinde en yaygın kullanılan algoritmalardan biridir. İşbirlikçi filtreleme ile kullanıcıların geçmiş tercihleri göz önünde bulundurularak gelecekte kullanıcıların beğenebileceği ürünleri önermesi hedeflenir. Mevcut tek kriterli sistemlerde kullanıcıların ürünler hakkında tek bir derecelendirme vermesi beklenir. Fakat tek bir kriter kullanıcının ürünler hakkında fikrini yansıtmayabilir. Bu nedenle çok kriterli işbirlikçi filtreleme sistemleri geliştirilmiştir. Özellikle film, otel ve restoran gibi alanlarda kullanıcılar tek bir kritere göre derecelendirme vermek yerine birden çok kritere göre beğenilerini sunmaları onlara gelecekte yeni ürünler önermekteki başarıyı arttırabilir. Çok kriterli işbirlikçi filtreleme sistemlerindeki ilk aşama öneri isteyen bir kullanıcıya benzer en yakın kullanıcıları veya ürünleri bulmaktır. Literatürde benzerlik hesaplamak için yaygın kullanılan benzerlik-tabanlı metotlar mevcuttur. Bu metotlarda benzerlik hesaplanırken kullanıcılar / ürünler arasında ortak derecelendirilen ürünlerin / kullanıcıların verileri kullanılır. Fakat ortak derecelendirilen ürünlerin / kullanıcıların sayısı çok az olmasına rağmen aralarındaki korelasyon çok yüksek hesaplanabilir. Yüksek korelasyon değerleri her zaman en iyi komşular olduğunu garanti etmeyebilir. Bu dezavantajlar göz önüne alındığında yüksek korelasyon değerleri her zaman güvenilir ve doğru tahminler elde edilmesini engelleyebilir. Makalemizde çok kriterli ürün-tabanlı işbirlikçi filtrelemede benzerlik tabanlı yaklaşımlardaki performans artışını sağlamak için mevcut benzerlik hesaplamalarını iyileştirmeyi hedefliyoruz. İki ürünü oylayan ortak kullanıcı sayısı arttıkça, iki ürün arasında hesaplanan benzerlikte daha güvenilir olacaktır. Bu nedenle, geleneksel işbirlikçi filtrelemede kullanılan Jaccard ve önem ağırlıklandırma yöntemlerini çok kriterli sistemlerde benzerlik hesaplama sürecinde ağırlıklandırma yöntemleri olarak kullanılması önerilir. Önerilen ağırlıklandırma yöntemleri ile amaç, her iki ürünü de derecelendirme veren kullanıcı sayısı azaldıkça hesaplanan benzerliği azaltmaktır. Ağırlıklandırma yöntemleri, mevcut benzerlik hesaplama işlemlerine entegre edilerek komşu seçimi ve tahmin performansı arttırılması hedeflenir. Önerilen yöntemler Yahoo!Movies veri setinin üç farklı versiyonu kullanılarak test edilmiştir. Yapılan deneyler gösteriyor ki, önerilen metotlar mevcut metotlara göre tahmin performansını ve kapsam değerlerini büyük oranda arttırmıştır.

show abstract

AE-MCCF: An Autoencoder-Based Multi-criteria Recommendation Algorithm

Cited by 22 publications

References 30 publications

A new similarity-based multi-criteria recommendation algorithm based on autoencoders

A new similarity-based multi-criteria recommendation algorithm based on autoencoders

Improvement of Collaborative Filtering Recommendation Algorithm Based on Intuitionistic Fuzzy Reasoning Under Missing Data

Çok Kriterli Ürün-Tabanlı İşbirlikçi Filtrelemede Ağırlıklandırma Yöntemlerini Kullanarak Tahmin Performansının Arttırılması

Contact Info

Product

Resources

About