Context-Aware Techniques for Cross-Domain Recommender Systems

Véras, Douglas; Prudêncio, Ricardo B. C.; Ferraz, Carlos; Bispo, Alysson; Prota, Thiago Monteiro

doi:10.1109/bracis.2015.42

Cited by 3 publications

(1 citation statement)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A literatura sobre sistemas de recomendação é vasta: [Turnbull 2017], [Gomez-Uribe and Hunt 2016], [Véras et al 2015]. Inúmeros trabalhos também estudam o impacto da QoS na retenção dos usuários [Krishnan and Sitaraman 2013], [Nam et al 2016], [Mok et al 2011].…”

Section: Trabalhos Relacionadosunclassified

Recomendação de Conteúdo e QoE: Um Experimento Quantificando o Papel da QoS nas Preferências por Vídeos

Assis

Nogueira

Menasché

et al. 2019

Anais Do Workshop Em Desempenho De Sistemas Computacionais E De Comunicação (WPerformance)

View full text Add to dashboard Cite

Sistemas de recomendação estão cada vez mais presentes na rotina dos usuários da Internet. Portanto, plataformas como Youtube e Netflix procuram melhorar suas recomendações para fornecer uma melhor experiência aos seus usuários. No entanto, a experiência dos usuários depende de diversos fatores. Em particular, sistemas de cache têm uma grande influência na qualidade de experiência (QoE), visto que eles impactam métricas de qualidade de serviço (QoS), como atraso e vazão, experenciadas pelos usuários. Nosso objetivo é estudar a viabilidade de um sistema de recomendação sensível a QoS que maximize a QoE. Para tal, nós conduzimos experimentos com usuários reais com perfis distintos. Cada usuário é solicitado a avaliar diferentes vídeos, que variam em termos de conteúdo e de QoS. Dadas nossas descobertas quanto à relação entre QoS e QoR (quality of recommendation), investigamos seus impactos no modelo de sistema de recomendação. Um classificador baseado em árvore de decisão alcançou acurácia de 77% usando validação cruzada, e nos permite entender melhor o processo de tomada de decisão do usuário.

show abstract

Section: Trabalhos Relacionadosunclassified

Recomendação de Conteúdo e QoE: Um Experimento Quantificando o Papel da QoS nas Preferências por Vídeos

Assis

Nogueira

Menasché

et al. 2019

Anais Do Workshop Em Desempenho De Sistemas Computacionais E De Comunicação (WPerformance)

View full text Add to dashboard Cite

show abstract

IoT Based Weather and Location Aware Recommender System

Chakraverty

Mithal

2018

2018 8th International Conference on Cloud Computing, Data Science &Amp; Engineering (Confluence)

View full text Add to dashboard Cite

Towards Recommender Systems Integrating Contextual Information from Multiple Domains through Tensor Factorization

Véras,

Nascimento,

Callou

2023

Artificial Intelligence and Data Science in Recommendation System: Current Trends, Technologies and Applications

View full text Add to dashboard Cite

Traditionally, single-domain recommender systems (SDRS) can suggest suitable products for users to alleviate information overload. Nonetheless, cross-domain recommender systems (CDRS) have enhanced SDRS by accomplishing specific objectives, such as improving precision and diversity and solving cold-start and sparsity issues. Rather than considering each domain separately, CDRS uses information gathered from a particular domain (e.g., music) to enhance recommendations for another domain (e.g., films). Context-aware Recommender System (CARS) focuses on optimizing the quality of suggestions, which are more appropriate for users depending on their context. Integrating these techniques is helpful for many cases where knowledge from several sources can be used to enhance recommendations and where relevant contextual information is considered. This work describes the main challenges and solutions of the state-of-the-art in Cross-Domain Context-Aware Recommender Systems (CD-CARS), taking into account the abundance of data on different domains and the systematic adoption of contextual data. CD-CARS have shown efficient methods to tackle realistic recommendation scenarios, preserving the benefits of CDRS (regarding cold-start and sparsity issues) and CARS (assuming accuracy). Therefore, CD-CARS may direct future research to recommender systems that use contextual information from multiple domains in a systematic way.

show abstract

Context-Aware Techniques for Cross-Domain Recommender Systems

Cited by 3 publications

References 11 publications

Recomendação de Conteúdo e QoE: Um Experimento Quantificando o Papel da QoS nas Preferências por Vídeos

Recomendação de Conteúdo e QoE: Um Experimento Quantificando o Papel da QoS nas Preferências por Vídeos

IoT Based Weather and Location Aware Recommender System

Towards Recommender Systems Integrating Contextual Information from Multiple Domains through Tensor Factorization

Contact Info

Product

Resources

About