کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6862632 677013 2014 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A new user similarity model to improve the accuracy of collaborative filtering
ترجمه فارسی عنوان
یک مدل شباهت کاربر جدید برای بهبود صحت فیلترینگ مشارکتی
کلمات کلیدی
فیلتر کردن همگانی، شباهت کاربر، دقت پیشنهادی، کاربر سرد سیستم توصیهگر،
ترجمه چکیده
فیلترینگ همکاری یکی از روشهای استفاده شده برای ارائه خدمات شخصی به کاربران است. کلید این روش این است که کاربران یا موارد مشابه با استفاده از ماتریس رتبه بندی کاربر مورد استفاده قرار بگیرند تا سیستم بتواند توصیه هایی را برای کاربران نشان دهد. با این حال، بیشتر رویکردهای مربوط به این رویکرد مبتنی بر الگوریتم های شباهت، مانند کوزین، ضریب همبستگی پیرسون و تفاوت میانگین مربع است. این روش ها بسیار مؤثر نیستند، به خصوص در شرایط کاربر سرد. این مقاله یک مدل شباهت کاربر جدید برای بهبود عملکرد پیشنهادات ارائه می دهد که تنها چند امتیاز برای محاسبه شباهت ها برای هر کاربر در دسترس است. این مدل نه تنها اطلاعات متنی محلی از رتبه بندی کاربر را در نظر می گیرد، بلکه همچنین ترجیح جهانی رفتار کاربر را نیز بررسی می کند. آزمایشات بر روی سه مجموعه داده واقعی انجام شده و در مقایسه با بسیاری از اقدامات مشابه در سطح پیشرفته. نتایج نشان می دهد که برتر بودن مدل جدید تشابه در عملکرد توصیه شده.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک مدل شباهت کاربر جدید برای بهبود صحت فیلترینگ مشارکتی
چکیده انگلیسی
Collaborative filtering has become one of the most used approaches to provide personalized services for users. The key of this approach is to find similar users or items using user-item rating matrix so that the system can show recommendations for users. However, most approaches related to this approach are based on similarity algorithms, such as cosine, Pearson correlation coefficient, and mean squared difference. These methods are not much effective, especially in the cold user conditions. This paper presents a new user similarity model to improve the recommendation performance when only few ratings are available to calculate the similarities for each user. The model not only considers the local context information of user ratings, but also the global preference of user behavior. Experiments on three real data sets are implemented and compared with many state-of-the-art similarity measures. The results show the superiority of the new similarity model in recommended performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 56, January 2014, Pages 156-166
نویسندگان
, , , , ,