کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4972483 | 1451054 | 2016 | 13 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Who should you follow? Combining learning to rank with social influence for informative friend recommendation
ترجمه فارسی عنوان
چه کسی باید دنبال کند؟ ترکیبی از یادگیری با تأثیر اجتماعی را برای توصیه های دوست داشتنی رتبه بندی کنید
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
سیستم های توصیه شده، یادگیری رتبه نفوذ اجتماعی، تقسیم ماتریس،
ترجمه چکیده
سایت های شبکه های اجتماعی به تدریج محل رسانه های سنتی را برای دریافت اطلاعات جدید به دست آوردند. برای دریافت اطلاعات جدید، کاربران سایت های شبکه اجتماعی تشویق می شوند تا روابط اجتماعی برقرار کنند. به روز رسانی های به اشتراک گذاشته شده توسط دوستان جریانهای به روز رسانی اجتماعی را فراهم می کند که مردم را با اطلاعات به روز می کند. با این حال، داشتن دوستان بسیار زیادی می تواند به یک مشکل بیش از حد اطلاعات منجر شود که سبب می شود کاربران توسط تعداد زیادی از به روز رسانی های به اشتراک گذاشته شده به طور مداوم توسط دوستان متعدد غرق شوند. این مشکل بیش از حد اطلاعات ممکن است بر روی اهداف کاربر برای پیوستن به سایتهای شبکه اجتماعی تأثیر بگذارد و در نتیجه احتمالا سود سایت های تبلیغاتی را که بر اساس تعداد کاربران است، کاهش می دهد. در این مقاله، ما پیشنهاد روش مبتنی بر یادگیری را پیشنهاد می دهیم که نشان می دهد دوستان آموزنده به کاربران، جایی که یک دوست اطلاع دهنده یک دوست است که به روز رسانی ارسال شده توسط کاربر مورد علاقه است. تکنیک های یادگیری رتبه بندی برای تحلیل رفتار کاربر و طراحی مدل های تنظیمات پنهان کاربران و به روز رسانی طراحی شده اند. در عین حال، مدل یادگیری با تأثیر اجتماعی برای افزایش ترجیحات آموخته شده است. دوستان توصیه می شود اگر ترجیحات به روز رسانی هایی که به اشتراک گذاشته اند با تنظیمات یک کاربر هدف مرتبط باشند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
سیستم های اطلاعاتی
چکیده انگلیسی
Social network sites have gradually taken the place of traditional media for people to receive the latest information. To receive novel information, users of social network sites are encouraged to establish social relations. The updates shared by friends form social update streams that provide people with up-to-date information. However, having too many friends can lead to an information overload problem causing users to be overwhelmed by the huge number of updates shared continuously by numerous friends. This information overload problem may affect user intentions to join social network sites and thereby possibly reduce the sites' advertising earnings, which are based on the number of users. In this paper, we propose a learning-based recommendation method which suggests informative friends to users, where an informative friend is a friend whose posted updates are liked by the user. Techniques of learning to rank are designed to analyze user behavior and to model the latent preferences of users and updates. At the same time, the learning model is incorporated with social influence to enhance the learned preferences. Informative friends are recommended if the preferences of the updates that they share are highly associated with the preferences of a target user.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Decision Support Systems - Volume 90, October 2016, Pages 33-45
Journal: Decision Support Systems - Volume 90, October 2016, Pages 33-45
نویسندگان
Chien Chin Chen, Shun-Yuan Shih, Meng Lee,