کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4944880 1438010 2017 33 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Investigating the role of the rating prediction task in granularity-based group recommender systems and big data scenarios
ترجمه فارسی عنوان
بررسی نقش پیش بینی اعتبار در سیستم های توصیه گر گروهی و سناریوهای داده بزرگ
کلمات کلیدی
توصیه گروهی، خوشه بندی پیش بینی امتیاز، اطلاعات بزرگ،
ترجمه چکیده
امروزه یک مسئله مهم برای شرکت ها، مقابله موثر با مشکل داده های بزرگ است که به این معنی است که اطلاعات کسب و کارشان باید حجم زیادی داده را اداره کند. یک مورد جالب در مورد توزیع فلیشر است. ارقام تحقیقاتی و بازار ثابت می کنند که توزیع آگهی های تبلیغاتی همچنان یک ابزار ارزشمند برای جذب مشتریان بالقوه به یک شرکت است. بدون شک می توان گفت که محتویات شخصی شده در یک آگهی شرکت، احتمالا نتایج بهترتری نسبت به ارائه همان آگهی به تمام مشتریان بالقوه دارد. با این حال، تولید آگهی های شخصی باعث هزینه های غیرقابل پرداخت برای یک شرکت می شود. یک راه حل مناسب برای مقابله با دقت و هزینه ها می تواند تعیین حداکثر تعداد آگهی های مختلف باشد که به گروه های مختلف کاربران علاقه مند به محتوای آنها می پردازد. به طور سیستماتیک از این و راه حل های مشابه، پیشنهاد می کنیم نوع جدیدی از توصیه های گروهی را پیشنهاد دهیم، که می تواند تعدادی از گروه های کاربر نهایی را با تعدادی از لیست های توصیه شده (مانند آگهی ها) تشخیص دهد که می تواند باشد تولید شده (به عنوان مثال، جزئیات موجودی که سیستم می تواند کار کند). علاوه بر این، می تواند پیشنهادات مربوط به گروه خاصی از کاربران را تشخیص دهد. به طور خاص، ما بر روی پیش بینی رتبه بندی برای مواردی که کاربران ارزیابی نمی کنند تمرکز می کنند. در واقع، پیش بینی رتبه بندی، نشان دهنده وظیفه اصلی است که یک سیستم توصیف کننده از آن خواسته می شود که انجام شود و حتی اگر به یک سیستم پیشنهاد دهنده گروه اضافه شود، حتی بیشتر مرکزی می شود، زیرا پیش بینی ها ممکن است برای هر کاربر یا هر گروه ساخته شود. رویکرد ما همچنین امکان رهایی از پدیده های ابعاد ناشی از اسپارتی رأی ها را که ناشی از دستکاری بزرگ داده ها است، مدیریت می کند. ما در حال حاضر چهار سیستم توصیف گر گروه مبتنی بر دانه بندی با استفاده از الگوریتم های پیش بینی رتبه بندی مختلف و معماری ارائه می دهیم. این سیستم ها الگوریتم های مشابهی را برای انجام وظایف دیگر (به عنوان مثال کسانی که اعتبارات را پیش بینی نمی کنند) استفاده می کنند و این به ما اجازه می دهد تا ارزیابی کنیم که کدام روش پیش بینی اعتبار از لحاظ دقت موثر است. آزمایشات بر روی دو مجموعه داده های دنیای واقعی نشان می دهد که بر خلاف پیش بینی های گروه، پیش بینی های کاربر تنها می تواند منجر به بهبود دقت توصیه شده و برخورد با لعن پدیده های ابعاد شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
بررسی نقش پیش بینی اعتبار در سیستم های توصیه گر گروهی و سناریوهای داده بزرگ
چکیده انگلیسی
Nowadays, one important issue for companies is the efficient dealing of the big data problem, which means that their business intelligence has to manage huge amounts of data. An interesting case in point is flyers distribution. Research and market figures prove that the distribution of advertising flyers still represents a valuable tool to attract potential customers to a company. It goes without saying that including personalized content in a company's flyer is more likely to yield better results than offering the same flyer to all potential clients. However, producing personalized flyers would imply unaffordable costs for a company. An efficient trade-off solution between accuracy and costs could be to define a maximum number of different flyers addressing different groups of users interested in their content. In order to systematically support this and similar trade-off solutions, we propose a novel type of group recommendations, which is able to detect a number of groups of end-users equal to the number of recommendation lists (e.g., flyers) that can be produced (i.e., the granularity with which the system can operate). Moreover, it can provide suggestions to the detected specific groups of users. In particular, we focus on the rating prediction for those items users do not evaluate. Indeed, rating prediction represents the main task that a recommender system is asked to perform and it becomes even more central if included into a group recommender system, since the predictions might be built for each user or for each group. Our approach also gives the possibility to efficiently manage the curse of the dimensionality phenomena caused by the sparsity of the ratings arising from big data handling. We present four granularity-based group recommender systems using different rating prediction algorithms and architectures. These systems employ the same algorithms to carry out other tasks (i.e., those that do not predict the ratings) and this allows us to evaluate which rating prediction approach is the most effective in terms of accuracy. Experiments on two real-world datasets show that, unlike group predictions, single user predictions can lead to improvements in the recommendation accuracy and the dealing of the curse of the dimensionality phenomena.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 378, 1 February 2017, Pages 424-443
نویسندگان
, , ,