کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6864440 1439542 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A dynamic trust based two-layer neighbor selection scheme towards online recommender systems
ترجمه فارسی عنوان
یک خط مشی انتخاب همسایه دو لایه به سیستمهای پیشنهاد دهنده آنلاین، مبتنی بر اعتماد پویا است
کلمات کلیدی
سیستم توصیه شده، فیلتر کردن همگانی، همسایه ها، دسترسی، اعتماد، اطلاعات زمانی، فراموش کردن عامل،
ترجمه چکیده
فیلترینگ همگام تبدیل به یکی از روشهای به طور گسترده ای برای ارائه توصیه ها در محیط های مختلف آنلاین شده است. دقت توصیه شده آن بسیار به انتخاب همسایگان مناسب برای کاربر هدف / مورد استوار است. با این حال، طرح های انتخاب همسایه های موجود برخی از نارسایی های اجتناب ناپذیری مانند عدم توجه به توانایی کاربران در ارائه توصیه های قابل اطمینان و نادیده گرفتن تغییرات ترجیحی کاربران وجود دارد. چنین ناکامی ممکن است منجر به کاهش دقت توصیه شود، به ویژه هنگامی که سیستم های پیشنهاد دهنده با مشکل کمبود داده مواجه می شوند که ناشی از افزایش چشمگیر کاربران و موارد است. برای بهبود دقت توصیه، ما یک طرح جدید دو لایه همسایه پیشنهاد می کنیم که توانایی و اعتماد کاربران را به حساب می گیرد. به طور خاص، طرح پیشنهادی متشکل از دو ماژول است: (1) ماژول قابلیت که همسایه های اول را براساس توانایی آنها برای ارائه توصیه ها انتخاب می کند و (2) یک ماژول اعتماد که بیشتر همسایه های لایه دوم را براساس اعتماد دینامیکی آنها در توصیه ها مشخص می کند . عملکرد طرح پیشنهادی از طریق آزمایشات روی داده های کاربر واقعی معتبر است. در مقایسه با سه طرح انتخاب همسایه موجود، طرح پیشنهادی به طور مرتب بالاترین ضریب اطمینان را در مجموعه داده ها با سطوح مختلف ریزنمونه بدست می آورد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک خط مشی انتخاب همسایه دو لایه به سیستمهای پیشنهاد دهنده آنلاین، مبتنی بر اعتماد پویا است
چکیده انگلیسی
Collaborative filtering has become one of the most widely used methods for providing recommendations in various online environments. Its recommendation accuracy highly relies on the selection of appropriate neighbors for the target user/item. However, existing neighbor selection schemes have some inevitable inadequacies, such as neglecting users' capability of providing trustworthy recommendations, and ignoring users' preference changes. Such inadequacies may lead to drop of the recommendation accuracy, especially when recommender systems are facing the data sparseness issue caused by the dramatic increase of users and items. To improve the recommendation accuracy, we propose a novel two-layer neighbor selection scheme that takes users' capability and trustworthiness into account. In particular, the proposed scheme consists of two modules: (1) capability module that selects the first layer neighbors based on their capability of providing recommendations and (2) a trust module that further identifies the second layer neighbors based on their dynamic trustworthiness on recommendations. The performance of the proposed scheme is validated through experiments on real user datasets. Compared to three existing neighbor selection schemes, the proposed scheme consistently achieves the highest recommendation accuracy across data sets with different degrees of sparseness.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 285, 12 April 2018, Pages 94-103
نویسندگان
, , , ,