کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4944739 1438004 2017 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Combining tag correlation and user social relation for microblog recommendation
ترجمه فارسی عنوان
ترکیب همبستگی برچسب و ارتباط اجتماعی کاربر برای توصیه میکروبلاگ
کلمات کلیدی
توصیه میکروبلاگ، بازیابی برچسب، ماتریس کاربر برچسب، وزن کاربرگ، همبستگی برچسب، ارتباط اجتماعی کاربر و کاربر،
ترجمه چکیده
با توسعه برنامه های کاربردی شبکه های اجتماعی، میکروبلاگ به عنوان یک شبکه ارتباطات آنلاین ضروری در زندگی روزمره ما تبدیل شده است. برای کاربران میکروبلاگ، توصیه به اطلاعات با کیفیت بالا، یک سرویس درخواستی است. برخی از سرویس های میکروبلاگ کاربران را تشویق می کنند تا خود را با برچسب ها تعریف کنند که برای توصیف علائق یا ویژگی های آنها استفاده می شود. با این حال، تعداد کمی از کاربران مایل به ایجاد برچسب ها هستند و برچسب های موجود برای توصیه های میکروبلاگ به طور کامل مورد سوء استفاده قرار نمی گیرند. علاوه بر این، رابطه زیر / دنبال کننده در میکروبلاگ نامتقارن است که می تواند نه تنها برای برقراری ارتباط با دوستان یا آشنایان بلکه برای دریافت اطلاعات در مورد موضوعات خاص مورد استفاده قرار گیرد. تا کنون هیچ الگوریتم توصیه میکروبلاگ وجود ندارد که تمام اطلاعات فوق را به کار گیرد. هدف از این مقاله بررسی چارچوب مشترک برای ترکیب همبستگی برچسب و ارتباط اجتماعی کاربر برای توصیه میکروبلاگ است. رویکرد ما منافع کاربران را از طریق برچسب های شخصی و روابط اجتماعی شناسایی می کند. بیشتر به طور خاص، یک تگ استراتژی بازیابی کاربران ایجاد شده است برای اضافه کردن برچسب برای کاربران بدون و یا با چند برچسب ها، و ماتریس کاربران تگ شده است و سپس ساخته شده و وزن کاربر تگ سپس دست آمده است. برای حل مشکل اسپارتی ماتریس، همبستگی داخلی و بیرونی بین تگ ها برای به روز رسانی ماتریس برچسب کاربر مورد بررسی قرار می گیرد. با توجه به اهمیت ارتباط اجتماعی کاربر برای توصیه میکروبلاگ، یک ماتریس شباهت ارتباطی کاربر و کاربر ساخته شده است. علاوه بر این، یک طرح به روز رسانی تکراری برای ایجاد ماتریس کاربر نهایی برای محاسبه شباهت بین میکروبلاگ ها و کاربران توسعه داده شده است. ما توانایی الگوریتم ما را با انجام آزمایشات در مجموعه داده های میکروبلاگ واقعی نشان می دهیم. نتایج تجربی نشان می دهد که الگوریتم برای توصیه میکروبلاگ موثر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
ترکیب همبستگی برچسب و ارتباط اجتماعی کاربر برای توصیه میکروبلاگ
چکیده انگلیسی
With the development of social networking applications, microblog has turned to be an indispensable online communication network in our daily life. For microblog users, recommending high quality information is a demanding service. Some microblog services encourage users to annotate themselves with tags, which are used to describe their interests or attributes. However, few users are willing to create tags and available tags are not fully exploited for microblog recommendation. Besides, following/follower relationship in microblog is asymmetric, which can be used not only for communicating with friends or acquaintances but also for getting information on particular subjects. So far, there is no microblog recommendation algorithm which employs all the above mentioned information. This paper aims to investigate a joint framework to combine tag correlation and user social relation for microblog recommendation. Our approach identifies users' interests via their personal tags and social relations. More specifically, a user tag retrieval strategy is established to add tags for users without or with few tags, and the user-tag matrix is then built and user-tag weights are then obtained. In order to solve the problem of sparsity of the matrix, both inner and outer correlation between tags are investigated to update the user-tag matrix. Considering the significance of user social relation for microblog recommendation, a user-user social relation similarity matrix is constructed. Moreover, an iterative updating scheme is developed to get the final tag-user matrix for computing the similarities between microblogs and users. We illustrate the capability of our algorithm by making experiments on real microblog datasets. Experimental results show that the algorithm is effective for microblog recommendation.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volumes 385–386, April 2017, Pages 325-337
نویسندگان
, , , ,