کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5102753 1480090 2017 21 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Coarse cluster enhancing collaborative recommendation for social network systems
ترجمه فارسی عنوان
خوشه درشت مشارکتی را برای سیستم های شبکه های اجتماعی تقویت می کند
کلمات کلیدی
سیستم توصیه شده، سیستم شبکه اجتماعی، سیستم برچسب گذاری اجتماعی، نمودار سه گانه، پیچیدگی زمان، مدل کاربر همکاری
ترجمه چکیده
سیستم های پیشنهاد دهنده مبتنی بر فیلترینگ همگانی برای سیستم های شبکه های اجتماعی با توجه به شباهت های هر جفت کاربران از طریق استفاده از منابع و اقدامات حاشیه نویسی، خواسته های بسیار زیادی را در مورد پیچیدگی های زمان می گیرند، که به این ترتیب سرعت توصیه را مهار می کند. در این مقاله برای غلبه بر این نقص، پیشنهاد می کنیم یک رویکرد جدید، یعنی خوشه ی درشت که پارتیشن بندی کاربران مشابه و موارد مرتبط با سرعت بالا را برای افزایش فیلتراسیون مشترک مبتنی بر کاربر، و سپس ایجاد یک مدل سریع مشترک مشترک برای سیستم برچسب زدن اجتماعی . نتایج تجربی بر اساس مجموعه داده های دلخواه نشان می دهد که مدل پیشنهادی قادر به کاهش هزینه پردازش بیشتر از 90٪ و نسبتا بهبود دقت در مقایسه با فیلترهای مشترک مشترک مبتنی بر کاربر است و برای پارامتر اولیه قوی است. مهمتر از همه، مدل پیشنهادی را می توان به راحتی با معرفی اطلاعات بیشتر کاربران (مانند پروفایل ها) گسترش داد و عملا برای سیستم های شبکه اجتماعی گسترده ای برای افزایش سرعت توصیه شده بدون افت دیتا استفاده می شود.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات فیزیک ریاضی
پیش نمایش مقاله
خوشه درشت مشارکتی را برای سیستم های شبکه های اجتماعی تقویت می کند
چکیده انگلیسی
Traditional collaborative filtering based recommender systems for social network systems bring very high demands on time complexity due to computing similarities of all pairs of users via resource usages and annotation actions, which thus strongly suppresses recommending speed. In this paper, to overcome this drawback, we propose a novel approach, namely coarse cluster that partitions similar users and associated items at a high speed to enhance user-based collaborative filtering, and then develop a fast collaborative user model for the social tagging systems. The experimental results based on Delicious dataset show that the proposed model is able to dramatically reduce the processing time cost greater than 90% and relatively improve the accuracy in comparison with the ordinary user-based collaborative filtering, and is robust for the initial parameter. Most importantly, the proposed model can be conveniently extended by introducing more users' information (e.g., profiles) and practically applied for the large-scale social network systems to enhance the recommending speed without accuracy loss.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 483, 1 October 2017, Pages 209-218
نویسندگان
, , , ,