کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5103441 1480106 2017 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Long-term effects of user preference-oriented recommendation method on the evolution of online system
ترجمه فارسی عنوان
اثرات درازمدت روش توصیه گرایی ترجیح کاربر بر تکامل سیستم آنلاین
کلمات کلیدی
سیستم توصیه شده، ترجیح کاربر گرا روش پیشنهاد شخصی سیر تکاملی، تنوع
ترجمه چکیده
به عنوان رشد انفجار اقتصاد اینترنتی، سیستم پیشنهاد دهنده تبدیل به یک فن آوری مهم برای حل مشکل بیش از حد اطلاعات شده است. با این حال، توصیهگرها یکسان نیستند، پیشگامان مختلف فضایل متفاوت دارند، و آنها را برای کاربران مختلف مناسب می کند. در این مقاله، ما پیشنهاد جدید شخصی مبتنی بر تنظیمات کاربر پیشنهاد می دهیم که به طور همزمان چندین توصیه کننده را در سیستم تجارت الکترونیک به وجود می آورد. ما دریافتیم که خروجی یک توصیهگر برای هر کاربر در هنگام استفاده از توصیهگرهای مختلف بسیار متفاوت است، اگر دقت هر کدام از کاربر را با توصیه شخصی شخصی خود ترتیب دهد، دقت توصیه می تواند به طور قابل توجهی بهبود یابد. علاوه بر این، از کارهای قبلی که با تأکید بر تأثیرات کوتاه مدت بر پیشنهادی، متفاوت است، ما همچنین تأثیر طولانی مدت روش پیشنهاد شده را با مدلسازی تکامل بازخورد متقابل بین کاربر و سیستم آنلاین ارزیابی می کنیم. در نهایت، در مقایسه با یک پیشنهاد دهنده تنها در حال اجرا در سیستم آنلاین، روش پیشنهاد می تواند دقت توصیه توصیه ها را به طور قابل توجهی بهبود بخشد و بهتر شدن سازگاری بین عملکرد کوتاه مدت و درازمدت توصیه ها.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات فیزیک ریاضی
پیش نمایش مقاله
اثرات درازمدت روش توصیه گرایی ترجیح کاربر بر تکامل سیستم آنلاین
چکیده انگلیسی
As the explosion growth of Internet economy, recommender system has become an important technology to solve the problem of information overload. However, recommenders are not one-size-fits-all, different recommenders have different virtues, making them be suitable for different users. In this paper, we propose a novel personalized recommender based on user preferences, which allows multiple recommenders to exist in E-commerce system simultaneously. We find that output of a recommender to each user is quite different when using different recommenders, the recommendation accuracy can be significantly improved if each user is assigned with his/her optimal personalized recommender. Furthermore, different from previous works focusing on short-term effects on recommender, we also evaluate the long-term effect of the proposed method by modeling the evolution of mutual feedback between user and online system. Finally, compared with single recommender running on the online system, the proposed method can improve the accuracy of recommendation significantly and get better trade-offs between short- and long-term performances of recommendation.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 467, 1 February 2017, Pages 490-498
نویسندگان
, , , , ,