Improved personalized recommendation based on a similarity network

یک سیستم پیشنهاد دهنده به کاربران کمک می کند تا موارد مورد نظر را سریعتر پیدا کنند و در سال های اخیر توجه زیادی را به خود جلب کرده اند. بسیاری از الگوریتم های توصیه شده موفقیت آمیز در شبکه های دو طرفه مانند استنتاج مبتنی بر شبکه یا هدایت گرما طراحی شده اند. با این حال، اکثر این الگوریتمها روش تخصیص منابع را برای یک تخصیص متوسط ​​تعریف می کنند. این منطقی نیست زیرا تخصیص متوسط ​​نمیتواند انتخاب اولویت انتخاب کاربر و نفوذ بین کاربران را نشان دهد که منجر به یک سری نتایج توصیه شده غیر شخصی شده است. ما یک رویکرد توصیه شخصی را پیشنهاد می کنیم که ترکیبی از عملکرد شباهت و شبکه دو طرفه برای تولید شباهت شبکهای است که روند تخصیص منابع را بهبود می بخشد. مدل ما نفوذ کاربر را به سیستم توصیه کننده معرفی می کند و بیان می کند که نفوذ کاربر می تواند فرایند تخصیص منابع را معقول تر کند. ما برای ارزیابی الگوریتم های ما برای سه مجموعه داده های معیار از چهار معیار مختلف استفاده می کنیم. نتایج تجربی نشان می دهد که توصیه های بهبود یافته در شبکه شباهت، می تواند دقت و تنوع بیشتری را نسبت به برخی از روش های رقابتی به دست آورد.