Finding the most informational friends in a Social Network based Recommender System

Maniktala, Mehak; Sachdev, Shuchita; Bansal, Naveen K.; Susan, Seba

doi:10.1109/indicon.2015.7443226

Cited by 5 publications

(2 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The influence exerted by these two countries can be explained in terms of the technological development in communication among users, as mobile devices can achieve a high ratio of delivery of information. Moreover, mobile devices are fairly easy to use and offer opportunities in various domains such as learning, online shopping, geo sharing, and gaming, contributing to their high performance in mobile-based recommendations [74].…”

Section: Field-normalized Citation Score (Ncsf) Of Smrs Field Categor...mentioning

confidence: 99%

Social Media Recommender Systems (SMRS): A Bibliometric Analysis Study 2000–2021

et al. 2022

View full text Add to dashboard Cite

The increasing popularity of social media resources such as blogs, bookmarks, chatrooms, forums and video portals in recent years has attracted diverse users. Following the rise of the Internet, online content has become overloaded, prompting the introduction of recommender systems on social media. As a result, research on the dynamic growth of recommender systems in social media has gained significant traction since the year 2000. Social media recommender systems (SMRS) utilize multiple recommendation fields such as item, user, location, tag, event, tour and game in searching for preferred recommended information. Thus, young research fellows, academic scholars and practitioners must understand the need for SMRS to be complemented with recommendation fields. This requirement underlines the significance of a bibliometric analysis that focuses on social media based on existing publications. Hence, using the Web of Science (WoS) database, this study aimed to gather statistical information on SMRS to help researchers acquire an extensive understanding of such systems. The analysis was conducted by identifying SMRS-related publications and scientometric indicators to assess the growth rate, including the relative growth rate (RGR), doubling time (DT) and the field-normalized citation score (NCSf)-for citation analysis. Overall, this bibliometric study provides relevant measures for comparing and improving the citation rate of publications for new researchers.

show abstract

Section: Field-normalized Citation Score (Ncsf) Of Smrs Field Categor...mentioning

confidence: 99%

Social Media Recommender Systems (SMRS): A Bibliometric Analysis Study 2000–2021

et al. 2022

View full text Add to dashboard Cite

show abstract

“…Com a prevalência das redes sociais, dispositivos móveis e sistemas orientado a serviços de grande escala, tem-se experimentado a geração de enormes quantidades de dados, que por sua vez sobrecarrega usuários com grande volume de informações, dificultando encontrar serviços que atendam suas preferências (Almohsen and Al-Jobori, 2015;Deng et al, 2014). Como resultado, Sistemas de Recomendação (RS, Recommender Systems) têm um papel cada vez mais importante, na medida que lidam com a sobrecarga de serviços/produtos, sugerindo os mais adequados e ainda não adquiridos pelos usuários, mas que poderiam ser considerados altamente relevantes para eles (Deng et al, 2014;Maniktala et al, 2016).…”

Section: Introductionunclassified

Sistema de recomendação baseado na relação de amizade entre usuários de redes sociais num cenário de cold-start.

Camacho¹,

Alejandra²

View full text Add to dashboard Cite

Sistemas de Recomendação têm ganhado importância e visibilidade principalmente em aplicações de e-commerce e transmissão de música e vídeos, nas quais a quantidade de itens que o usuário pode escolheré muito grande. Isso porque ao diminuir as opções aos itens de maior interesse, facilita a escolha por parte do usuário. Situações de coldstart (usuário novo no sistema) dificultam a recomendação devidoà falta de informações sobre preferências do usuário. Dados de redes sociais podem ser utilizadas como fonte de informação para reduzir o impacto de cold-start. Neste cenário, identificar o grupo de amigos com maior afinidade e os amigos mais influentes podem melhorar a recomendação. Propõe-se nesta pesquisa a utilização de dados de redes sociais como principal fonte de informação externa para recomendar itens para usuários cold-start. Mais especificamente, a partir da entrada do novo usuário no sistema, por meio das credenciais da sua rede social, identifica-se seu grupo de amigos e, dentre estes, os de maior influência, para que mediante as informações de preferências deste(s) usuário(s) influente(s), se recomendem itens (músicas) ao usuário cold-start. Revisões da literatura mostraram que o modelo de fatoração de matriz e grafos tem sido as principais técnicas empregada, respectivamente, no processo de recomendação e na modelagem das interações em redes sociais. Para validar a proposta, utilizou-se um experimento controlado, no qual teve-se a efetiva participação de 20 usuários. Uma rede social, construída especialmente para a proposta, reteve informações sobre a interação entre amigos na rede social, e também, o acesso dos mesmos a um serviço de streaming de música. Nos testes foram elaboradas duas listas de recomendação, com a finalidade de comparar os resultados, uma considerando o modelo de recomendação proposto e outro sem. Os usuários avaliaram a recomendação, dando notas de 1 a 5 para cada música recomendada. A assertividade do modelo foi computada utilizando a métrica de Root Mean Squared Error (RMSE), apresentando resultado de 1,57, o que mostra que a predição da recomendação foi muito próxima aos valores dados pelos usuários. Os resultados também evidenciaram que o modelo proposto pode ser empregado para melhorar a recomendação de qualquer usuário e não apenas coldstarts. Assim, considerou-se que o modelo propostoé bastante adequado para melhoria da recomendação. Obteve-se a autorização de um comitê deética para a realização dos experimento.Palavras-Chave -Sistema de recomendação, filtragem colaborativa, redes sociais, cold-start, influência social, fatoração de matriz.

show abstract

Recommender System Based on the Friendship Between Social Network Users in a Cold-Start Scenario

Gonzalez-Camacho,

Faria,

Machado

et al. 2022

Information Systems and Technologies

View full text Add to dashboard Cite

Finding the most informational friends in a Social Network based Recommender System

Cited by 5 publications

References 12 publications

Social Media Recommender Systems (SMRS): A Bibliometric Analysis Study 2000–2021

Social Media Recommender Systems (SMRS): A Bibliometric Analysis Study 2000–2021

Sistema de recomendação baseado na relação de amizade entre usuários de redes sociais num cenário de cold-start.

Recommender System Based on the Friendship Between Social Network Users in a Cold-Start Scenario

Contact Info

Product

Resources

About