Know thy neighbor: Community-aware recovery of content selection preferences

ما دو استراتژی برای بازیابی تنظیمات انتخابی ناشناخته در جوامع آنلاین را طراحی می کنیم. این تکنیک ها از استفاده از گراف جامعه و وابستگی همسالان، از طریق وزن لبه های آن، برای بهینه سازی محاسبه داده های گم شده استفاده می کنند. اولین استراتژی توزیع شده و شامل یک مرحله محاسبه محلی و مرحله عبور پیام است که در هر رأس به طور تکراری در حال اجرا است تا همگرایی. ما یک تحلیل تصادفی تصادفی بر مبنای عملکرد آن انجام می دهیم و یافته های تحلیلی را با استفاده از آزمایش های عددی بررسی می کنیم. دومین استراتژی متمرکز است و شامل یک تغییر تکان دهنده از تنظیمات محتوا که به عنوان یک تابع بیش از گراف جامعه شناخته می شود. ما مسأله بهینه سازی مربوط به بازیابی تنظیمات ناشناخته را از طریق یک الگوریتم تکراری بر اساس تقسیم متغیر و جهت متناوب چندگانه حل می کنیم. ما با در نظر گرفتن مفاهیم داده ها با ترکیب اصطلاحات تعدیل چندگانه در بهینه سازی، را در نظر می گیریم. ما زیر پایه تکنیک بازسازی ضعیف را از طریق شبیه سازی ها بررسی می کنیم که ویژگی های آن را نشان می دهد و چگونه بر عملکرد آن تأثیر می گذارد. ما همچنین آزمایشات را با استفاده از داده های توییتر انجام می دهیم که در آن ما بیشتر در مورد عملکرد استراتژی های ما مطالعه می کنیم و فرضیه مدل سازی را در زمینه غیر متمرکز بررسی می کنیم. آزمایشات ما شامل مقایسه با روش های مرجع مشترک است. ما نشان می دهیم که تکنیک عبور پیام ما روش های مرجع را با حاشیه قابل توجهی بهتر می کند. ما همچنین نشان می دهیم که هرچند تکنیک بازسازی چندگانه ما از روش بازسازی معمولی بهبود می یابند، اما همچنان فرضیه صحیح سیگنال گراف را به طور ضمنی در نظر می گیرد.