Experimental Results on Item-Based Algorithms for Independent Domain Collaborative Filtering

Clemente, Maria Laura

doi:10.1109/axmedis.2008.33

Cited by 7 publications

(3 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This data has been cleaned up -users who had less than 20 ratings or did not have complete demographic information were removed from this data set. This dataset are being put into use on the field of collaborative filtering [19] [20] , recommender system [21] [22] and so on.…”

Section: Data Setmentioning

confidence: 99%

A new User Profile Model based on Intuitionistic Fuzzy set for personalized information analysis and sharing

Chen

et al. 2009

2009 International Conference on Management Science and Engineering

View full text Add to dashboard Cite

With the fast development of World Wide Wed, Web-based applications and services should allow user to get the right personalized information quickly and effectively. User Profile acts a very important role both in web service personalization and information sharing. In this paper, a new user profile model was proposed to store the characteristics and preferences of person. By using intuitionistic fuzzy set, the Intuitionistic Fuzzy User Profile Model (IUM) has ability to handle fuzzy phenomenon and uncertainty information, especially in describing Hesitancy Degree (HD) of people and comparative analysis. IUM can also be shared on different web application. The experimental results show that the proposed approach is effectiveness in personalized information analysis, and this research facilitates the personalized information sharing and reuse on the web application and services.

show abstract

Section: Data Setmentioning

confidence: 99%

A new User Profile Model based on Intuitionistic Fuzzy set for personalized information analysis and sharing

Chen

et al. 2009

2009 International Conference on Management Science and Engineering

View full text Add to dashboard Cite

show abstract

“…While before the Netflix competition the itembased algorithms were considered the most effective for recommender systems, and in fact at the time they were used also by Amazon (Linden, Smith & York, 2003;Clemente, 2008), during the competition it has been demonstrated that the matrix factorization algorithms, working alone, were the most effective for this kind of problems (Koren, Bell & Volinsky, 2009;Tosher, Jahrer & Bell, 2009).…”

Section: Related Workmentioning

confidence: 99%

Combining Opinion Mining with Collaborative Filtering

Angioni

Clemente²,

Tuveri

2015

Proceedings of the 11th International Conference on Web Information Systems and Technologies

Self Cite

View full text Add to dashboard Cite

An experimental analysis of a combination of Opinion Mining and Collaborative Filtering algorithms is presented. The analysis used the Yelp dataset in order to have both the textual reviews and the star ratings provided by the users. The Opinion Mining algorithm was used to work on the textual reviews, while the Collaborative Filtering worked on the star ratings. The research activity carried out shows that most of the Yelp users provided star ratings corresponding to the related textual review, but in many cases an inconsistence was evident. A set of thresholds and coefficients were applied in order to test a hypothesis about the influence of restaurant popularity on the user ratings. Interesting results have been obtained in terms of Root Mean Squared Error (RMSE).

show abstract

“…Επιπλέον, η χρησιμοποίηση ενός κατασκευαστικού αλγορίθμου δικτύου φαίνεται ότι αποτελεί ένα ακόμα πλεονέκτημα, Xu and Yang, 2011;Mackey et al, 2010] εμφανίζουν ένα μικρό, αλλά σταθερό, προβάδισμα σε σύγκριση με το ksepRS. Παρόλα αυτά, η προτεινόμενη μεθοδολογία καταφέρνει να είναι περισσότερο ανταγωνιστική σε σύγκριση με τη βασική μέθοδο ή άλλες γενικές μεθόδους συνεργατικής διήθησης, απλές [Desrosiers and Karypis, 2010] και βασιζόμενες στα αντικείμενα [Clemente, 2008], οι οποίες φαίνεται ότι δεν μπορούν να επεξεργαστούν την εγγενή μη-γραμμικότητα του πίνακα αξιολογήσεων των χρηστών.…”

Section: πειραματικό πρωτόκολλοunclassified

Συνεργατικά Συστήματα Συστάσεων Με Χρήση Έμμεσης Και Άμεσης Κοινωνικής Πληροφορίας

Alexandridis¹,

Αλεξανδρίδης²

View full text Add to dashboard Cite

Η ψηφιακή επανάσταση των προηγούμενων δεκαετιών είχε ως άμεσο αποτέλεσμα την αλματώδη αύξηση της πληροφορίας που διακινείται ηλεκτρονικά, οδηγώντας σε μια κατάσταση που είναι γνωστή ως πληροφοριακή υπερφόρτωση. Συνεπώς, υπάρχει άμεση ανάγκη για την κατασκευή συστημάτων τα οποία θα μπορούν να αναζητούν, να ταξινομούν και να κατηγοριοποιούν την διαθέσιμη πληροφορία. Τα Συστήματα Συστάσεων έχουν προταθεί ως μια λύση που μπορεί να αντιμετωπίσει σε ένα βαθμό το προαναφερθέν πρόβλημα. Η συνεισφορά της διατριβής έγκειται στη μελέτη, στην ανάπτυξη και στην πρακτική εφαρμογή αλγορίθμων για την πιο ευρύτατα διαδεδομένη κατηγορία συστημάτων συστάσεων, τα συνεργατικά συστήματα συστάσεων, με στόχο την βελτίωση της απόδοσής τους.Τα συστήματα συστάσεων είναι επί της ουσίας εργαλεία λογισμικού, τα οποία χρησιμοποιούνται για την παραγωγή εξατομικευμένων προτάσεων για κάθε χρήστη χωριστά, συνήθως υπό τη μορφή ταξινομημένων λιστών. Οι προτάσεις στην πλειοψηφία των περιπτώσεων είναι αντικείμενα οποιουδήποτε τύπου, όπως βιβλία, ταινίες, μουσικά κομμάτια και άρθρα ειδήσεων, τα οποία ενδεχομένως να φανούν χρήσιμα στους χρήστες. Η παραγωγή των προτάσεων στα συνεργατικά συστήματα συστάσεων βασίζεται στις προτιμήσεις του εκάστοτε χρήστη καθώς και σε άλλες παραμέτρους. Οι δε προτιμήσεις συνάγονται με δύο τρόπους: είτε απευθείας από τους ίδιους (κατά βάση εντός καθορισμένης αξιολογικής/βαθμολογικής κλίμακας) είτε έμμεσα από το ίδιο το σύστημα.Στο πλαίσιο της διατριβής αναπτύσσονται αλγόριθμοι παραγωγής συνεργατικών συστάσεων, οι οποίοι αξιοποιούν τις ρητά εκπεφρασμένες προτιμήσεις των χρηστών. Η έννοια της συνεργατικότητας έγκειται στο γεγονός πως τα νέα αντικείμενα που τελικά προτείνονται σε ένα χρήστη βασίζονται στις αξιολογήσεις που αυτά έχουν λάβει από άλλους "παρόμοιους" χρήστες. Δηλαδή, τα συνεργατικά συστήματα συστάσεων μετατρέπουν τον κάθε χρήστη σε "μέσο πρόβλεψης" των προτιμήσεων των άλλων, καθορίζοντας κατ' αυτόν τον τρόπο μια άτυπη μορφή κοινωνικότητας μεταξύ τους. Για την αναζήτηση και την καλύτερη αξιοποίηση αυτού του είδους των έμμεσων σχέσεων μεταξύ των χρηστών, προτείνεται ένας πρωτότυπος αλγόριθμος παραγωγής συστάσεων, δομικό στοιχείο του οποίου αποτελεί ένα πολυεπίπεδο νευρωνικό δίκτυο εμπρόσθιας τροφοδότησης. Οι επιλογές που γίνονται όσον αφορά τη συνάρτηση μεταφοράς των νευρώνων του δικτύου, της δυναμικής προσαρμογής της αρχιτεκτονικής του όπως και του ενισχυτικού αλγορίθμου εκπαίδευσής του, επιτρέπουν την σε βάθος ανάλυση των σχέσεων μεταξύ των χρηστών του που οδηγούν στην παραγωγή καλύτερων συστάσεων.Εκτός της έμμεσης συναγωγής ομοιοτήτων και διαφορών μεταξύ των χρηστών, τα συνεργατικά συστήματα συστάσεων μπορούν να επεκταθούν, συμπεριλαμβάνοντας στους υπολογισμούς τους και τις άμεσες σχέσεις που ενδεχομένως να έχουν οι χρήστες μεταξύ τους, στο πλαίσιο ενός κοινωνικού δικτύου. Παραδείγματα τέτοιων σχέσεων αποτελούν οι δεσμοί φιλίας, εμπιστοσύνης καθώς και οι δεσμοί "ακολούθων". Από τους πιο διαδεδομένους τρόπους προσπέλασης της άμεσης κοινωνικής πληροφορίας στα συνεργατικά συστήματα συστάσεων, είναι η πραγματοποίηση τυχαίων περιπάτων επάνω στα κοινωνικά δίκτυα, με στόχο την ανεύρεση χρηστών με επιρροή. Στο πλαίσιο αυτό, προτείνεται μια νέα μεθοδολογία πραγματοποίησης τυχαίων περιπάτων στο μεικτό δίκτυο που σχηματίζεται από τον συνδυασμό του κοινωνικού δικτύου και του δικτύου "ομοιότητας" (ενός δικτύου σχέσεων μεταξύ των χρηστών που προκύπτει από τις αξιολογήσεις που έχουν ήδη κάνει). Η διαφορά με άλλες αντίστοιχες μεθόδους βρίσκεται στο γεγονός ότι το επόμενο βήμα του περιπάτου δεν επιλέγεται ομοιόμορφα τυχαία, αλλά αντίθετα εισάγεται μια μεροληψία προς εκείνους τους χρήστες που είναι περισσότερο όμοιοι.Πέρα από τον χώρο των χρηστών, οι τυχαίοι περίπατοι μπορούν επίσης να πραγματοποιηθούν και στον χώρο των αντικειμένων. Για το λόγο αυτό στην παρούσα διατριβή προτείνεται η πραγματοποίηση τυχαίων περιπάτων επάνω σε ένα πρωτότυπο δίκτυο, το δίκτυο κατανάλωσης αντικειμένων. Το συγκεκριμένο δίκτυο συνδέει μεταξύ τους αντικείμενα-κόμβους με ακμές των οποίων τα βάρη αποτυπώνουν το πλήθος των κοινών τους προσπελάσεων. Είναι προσωπικό, υπό την έννοια ότι κατασκευάζεται χωριστά για κάθε χρήστη, στη βάση των αντικειμένων που έχει προσπελάσει τόσο ο ίδιος όσο και άλλοι χρήστες που εντάσσονται είτε στο άμεσο κοινωνικό του δίκτυο, είτε παρουσιάζουν κάποια ομοιότητα με αυτόν ή, τέλος, ανήκουν και στις δύο κατηγορίες. Τέλος, η άμεση κοινωνική πληροφορία που εμπεριέχεται στα συνεργατικά συστήματα συστάσεων αξιοποιείται και με έναν ακόμα τρόπο. Αποτελεί το πεδίο εφαρμογής μιας νέας μεθόδου μπεϋζιανής μη-αρνητικής παραγοντοποίησης πινάκων, με στόχο την κατηγοριοποίηση των χρηστών σε επικαλυπτόμενες κοινότητες. Η πρωτοτυπία της προσέγγισης βρίσκεται στην επιλογή της συνάρτησης της εκ των προτέρων πιθανότητας. Ενώ στη βιβλιογραφία συνηθίζεται να χρησιμοποιείται η θεωρία των συζυγών εκ των προτέρων κατανομών, στη συγκεκριμένη περίπτωση εφαρμόζονται τα μοντέλα εκθετικών τυχαίων γράφων. Ο λόγος που επιλέχθηκε αυτή η κατεύθυνση ήταν για να μετριαστεί η τοπικότητα της παραγοντοποίησης μέσω της εισαγωγής στη διαδικασία μακροσκοπικών πληροφοριών για τα υπό εξέταση δίκτυα. Επίσης, στο πλαίσιο της ίδιας διαδικασίας, αναπτύχθηκε και μια πρωτότυπη προσεγγιστική μέθοδος για τον υπολογισμό των υπερπαραμέτρων του μοντέλου των εκθετικών τυχαίων γράφων, η οποία βασίστηκε στη θεωρία του μέσου πεδίου.Συμπερασματικά, η ουσιαστική συμβολή της διατριβής συνοψίζεται στην χρήση ευφυών τεχνικών στα συνεργατικά συστήματα συστάσεων, για την επεξεργασία και ανάλυση της άμεσης και έμμεσης κοινωνικής πληροφορίας που ενυπάρχει σε αυτά. Κάθε τεχνική που αναπτύχθηκε, αξιολογήθηκε πειραματικά σε δημόσια διαθέσιμες συλλογές δεδομένων, οι οποίες χρησιμοποιούνται ευρέως από την επιστημονική κοινότητα, ενώ έγιναν και συγκρίσεις με άλλες αντίστοιχες τεχνικές στο κάθε πεδίο έρευνας.

show abstract

Experimental Results on Item-Based Algorithms for Independent Domain Collaborative Filtering

Cited by 7 publications

References 11 publications

A new User Profile Model based on Intuitionistic Fuzzy set for personalized information analysis and sharing

A new User Profile Model based on Intuitionistic Fuzzy set for personalized information analysis and sharing

Combining Opinion Mining with Collaborative Filtering

Συνεργατικά Συστήματα Συστάσεων Με Χρήση Έμμεσης Και Άμεσης Κοινωνικής Πληροφορίας

Contact Info

Product

Resources

About