Personalized Paper Recommendation Based on User Historical Behavior

Abstract

Abstract. With the increasing of the amount of the scientific papers, it is very important and difficult for paper-sharing platforms to recommend related papers accurately for users. This paper tackles the problem by proposing a method that models user historical behavior. Through collecting the operations on scientific papers of online users and carrying on the detailed analysis, we build preference model for each user. The personalized recommendation model is constructed based on contentbased filtering model and statistical language model.. Experimental results show that users' historical behavior plays an important role in user preference modeling and the proposed method improves the final predication performance in the field of technical papers recommendation.

Aprendizado de Máquina em Sistemas de Recomendação Baseados em Conteúdo Textual: Uma Revisão Sistemática

“…QP Estudos # Q1 [5,7,8,9,16,19,26,27,28,29,30,31] 12 Q2 [5,7,8,9,16,19,23,26,27,28,29,30,31] Em um trabalho de análise mais específico, cada um dos 13 estudos foi detalhadamente analisado para identificação das soluções propostas para construção dos módulos de um SRbC (conforme Figura 1). Os resultados dessa análise estão organizados por módulo nas três próximas seções.…”

“…Porém, outros recursos também são usados em alguns estudos para estabelecimento das dimensões, como por exemplo: uso de hiperônimos do dicionário Word-Net, POS tag (Part-of-speech tagging) para a extração de substantivos, n-gramas [5]; extração de tags relacionadas aos itens sob recomendação [16]. Uma vez escolhidas as dimensões,é preciso atribuir valores a elas, e para isso são empregadas diferentes estratégias: a binária [9,31], em qué e atribuído 1 se o valor de uma dimensão ocorre no documento ou 0 se não ocorre; a frequência de termos (TF) [5,7,8,16,19,23,26,27,28,29], que considera o número de vezes que o valor de uma dimensão ocorre no documento; e a clássica normalização TF-IDF [5,7,8,9,19,26,29], na qual a frequênciaé relativa em relação ao corpus de documentos. Também na etapa de pré-processamento, são utilizadas técnicas simples para simplificar ou reduzir a dimensionalidade dos vetores de representação, como filtro de stopwords, que são palavras que não adicionam informaçãoútil ao VSM [5,8,9,16,19,27,31]; stemming, que reduz cada palavra para o seu radical [5,8,9,19,27,31]; e filtragem de termos abaixo ou acima de um limiar de frequência [5,8].…”

“…Ainda com o intuito de gerar um modelo de representacão estruturada para uso dos próximos módulos do sistema, alguns estudos aplicam técnicas de AM não-supervisionado (veja Tabela 5). Tratam-se, na realidade, de técnicas de redução de dimensionalidade que induzem modelos de representação a partir do conjunto de itens, por meio da implementação de diferentes algoritmos: determinação de variáveis latentes [7]; Latent Semantic Analysis (LSA) [26], Latent Dirichlet Allocation (LDA) [27,30], otimização gradiente descendente [31] e random walks [28]. Esses algoritmos reduzem a dimensionalidade dos vetores no VSM, criando uma representação compacta dos itens.…”

“…Q2.a Quais são as vantagens e desvantagens de usar AI em SRbC textual? -A implementação da redução de dimensionalidade na representação dos itens levou a melhorias de desempenho em alguns estudos [7,26,27,28,30,31], principalmente por possibilitar a proposição de tópicos para a representação. Entretanto, as técnicas que se baseiam em Singular Value Decomposition, como LSA, não permite a interpretação dos fatores latentes, que representariam os tópicos.…”

Paper Recommender System Using Big Data Tools

“…With regard to the fact that in a system, users usually share different domains of papers that they have specific preferences for specific domains, in reference [8], it is assumed that the user interests can be extracted from their behavior on the site, which is calculated (when they visit pages). By collecting and analyzing user's behavior, they have approached user's interests and created a personalized recommendation model that selects nominated papers for recommendation.…”