تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,035 |
تعداد مشاهده مقاله | 52,538,394 |
تعداد دریافت فایل اصل مقاله | 15,242,135 |
ترکیب تجزیه نامنفی ماتریسی با روابط اعتماد برای توصیه در شبکههای اجتماعی | ||
مجله مهندسی برق دانشگاه تبریز | ||
مقاله 9، دوره 50، شماره 2 - شماره پیاپی 92، مرداد 1399، صفحه 605-618 اصل مقاله (1.18 M) | ||
نوع مقاله: علمی-پژوهشی | ||
نویسندگان | ||
هاشم پروین1؛ پرهام مرادی* 1؛ شاهرخ اسماعیلی2 | ||
1گروه مهندسی کامپیوتر - دانشگاه کردستان | ||
2گروه ریاضی کاربردی - دانشگاه کردستان | ||
چکیده | ||
سیستمهای توصیهگر، یکی از ابزارهای مؤثر برای کمک به کاربران است تا آیتمهای مورد علاقه خودشان را پیدا کنند. سیستمهای پالایش گروهی یکی از مشهورترین الگوریتمهای توصیه بهشمار میروند و در کارهای تجاری مختلفی استفاده شدهاند. اما این سیستمها در برخورد با کاربران و کالاهایی( آیتمهایی) که اطلاعات کمی از آنها وجود دارد ( کاربران یا کالاهای با شروع سرد) دارند، کارایی ضعیفی از خود نشان میدهند. برای مقابله با این چالش، در این مقاله، یک روش جدید مبتنی بر اطلاعات شبکه اجتماعی کاربران ارائه میشود که اطلاعات اعتماد بین کاربران را با تجزیه نامنفی ماتریس ترکیب میکند تا یک مدل مناسب برای توصیه به کاربر ایجاد شود. روش پیشنهادی اطلاعات مهم مانند، رتبه و اعتماد را برای کاهش پراکندگی داده و برخورد با مشکلات ناشی از شروع سرد، استفاده میکند. بهعلاوه، در روش پیشنهادی از راهکار بهینهسازی جهت متناوب برای افزایش همگرایی الگوریتم و کاهش پیچیدگی زمانی بهطور مناسبی استفاده میشود. برای ارزیابی روش پیشنهادی چندین آزمایش روی دو مجموعه داده معتبر و مشهور انجام شده است. نتایج تجربی نشان میدهد که روش پیشنهادی، بهویژه، برای کاربران شروع سرد عملکرد بهتری نسبت به روشهای جدید، برای توصیه در شبکههای اجتماعی دارد. | ||
کلیدواژهها | ||
سیستمهای توصیهگر؛ تجزیه نامنفی ماتریس؛ اطلاعات اعتماد؛ روش جهت متناوب؛ پالایش گروهی؛ شروع سرد | ||
مراجع | ||
[1] T. D. T. Do and L. Cao, “Coupled Poisson factorization integrated with user/item metadata for modeling popular and sparse ratings in scalable recommendation,” Thirty-Second AAAI Conference on Artificial Intelligence (AAAI-18), pp. 1-7, 2018. [2] X. Luo, M. Zhou, S. Li, Z. You, Y. Xia and Q. Zhu, “A nonnegative latent factor model for large-scale sparse matrices in recommender systems via alternating direction method,” IEEE Transactions on Neural Networks and Learning Systems, vol. 27, pp. 579-592, 2016. [3] B. Yang, Y. Lei, J. Liu and W. Li, “Social collaborative filtering by trust,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, pp. 1633-1647, 2017. [4] X. Luo, M. Zhou, Y. Xia and Q. Zhu, “An efficient non-negative matrix-factorization-based approach to collaborative filtering for recommender systems,” IEEE Transactions on Industrial Informatics, vol. 10, pp. 1273-1284, 2014. [5] A. Hernando, J. Bobadilla and F. Ortega, “A non negative matrix factorization for collaborative filtering recommender systems based on a Bayesian probabilistic model,” Knowledge-Based Systems, vol. 97, pp. 188-202, 2016. [6] H. Ma, I. King and M. R. Lyu, “Learning to recommend with social trust ensemble,” in Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Iinformation Retrieval, pp. 203-210, 2009. [7] D. Z. Navgaran, P. Moradi and F. Akhlaghian, “Evolutionary based matrix factorization method for collaborative filtering systems,” in Electrical Engineering (ICEE), 2013 21st Iranian Conference on, pp. 1-5, 2013. [8] H. Parvin, P. Moradi and S. Esmaeili, “Nonnegative matrix factorization regularized with trust relationships for solving cold-start problem in recommender Systems,” in Electrical Engineering (ICEE), Iranian Conference on, pp. 1571-1576, 2018. [9] M. Ranjbar, P. Moradi, M. Azami and M. Jalili, “An imputation-based matrix factorization method for improving accuracy of collaborative filtering systems,” Engineering Applications of Artificial Intelligence, vol. 46, pp. 58-66, 2015. [10] P. Pirasteh, D. Hwang and J. J. Jung, “Exploiting matrix factorization to asymmetric user similarities in recommendation systems,” Knowledge-Based Systems, vol. 83, pp. 51-57, 2015. ]11[ فریاد طهماسبی, مجید مقدادی و سجاد احمدیان، «ارائه یک روش ترکیبی جدید بر اساس تکنیک گسترش پروفایل برای حل مسئله شروع سرد در سیستمهای توصیهگر»، مجله مهندسی برق دانشگاه تبریز، جلد 48، صفحه 151-159، 1397. [12] J. Bobadilla, F. Ortega, A. Hernando and J. Bernal, “A collaborative filtering approach to mitigate the new user cold start problem,” Knowledge-Based Systems, vol. 26, pp. 225-238, 2012. [13] K. H. Tso-Sutter, L. B. Marinho and L. Schmidt-Thieme, “Tag-aware recommender systems by fusion of collaborative filtering algorithms,” in Proceedings of the 2008 ACM Symposium on Applied Computing, pp. 1995-1999, 2008. [14] H. Parvin, P. Moradi and S. Esmaeili, “A collaborative filtering method based on genetic algorithm and trust statements,” in Fuzzy and Intelligent Systems (CFIS), 2018 6th Iranian Joint Congress on, pp. 13-16, 2018. [15] J. Bobadilla, R. Bojorque, A. H. Esteban and R. Hurtado, “Recommender Systems Clustering Using Bayesian Non Negative Matrix Factorization,” IEEE Access, vol. 6, pp. 3549-3564, 2018. [16] B. Sarwar, G. Karypis, J. Konstan and J. Riedl, “Item-based collaborative filtering recommendation algorithms,” in Proceedings of the 10th International Conference on World Wide Web, pp. 285-295, 2001. [17] G. Guo, J. Zhang and N. Yorke-Smith, “Leveraging multiviews of trust and similarity to enhance clustering-based recommender systems,” Knowledge-Based Systems, vol. 74, pp. 14-27, 2015. [18] G. Guo, J. Zhang and N. Yorke-Smith, “TrustSVD: Collaborative filtering with both the explicit and implicit influence of user trust and of item ratings,” in Twnety-Ninth AAAI Conference on Artificial Intelligence (AAAI-15), pp. 123-125, 2015. [19] M. Jamali and M. Ester, “A matrix factorization technique with trust propagation for recommendation in social networks,” Proceedings of the Fourth ACM Conference on Recommender Systems, Barcelona, Spain, 2010. ]20[ اکرم ناظمی سجزی و مرجان کائدی, «اصلاح نویز طبیعی در سیستمهای توصیهگر مشارکتی با در نظر گرفتن تغییر ترجیحات کاربر»، مجله مهندسی برق دانشگاه تبریز، جلد 48، صفحه 345-356، 1397. [21] X. Luo, M. Zhou, H. Leung, Y. Xia, Q. Zhu, Z. You, et al., “An incremental-and-static-combined scheme for matrix-factorization-based collaborative filtering,” IEEE Transactions on Automation Science and Engineering, vol. 13, pp. 333-343, 2016. [22] A. Popescul, D. M. Pennock and S. Lawrence, “Probabilistic models for unified collaborative and content-based recommendation in sparse-data environments,” in Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence, pp. 437-444, 2001. [23] M. J. Pazzani and D. Billsus, “Content-based recommendation systems,” in The Adaptive Web: Methods and Strategies of Web Personalization, P. Brusilovsky, A. Kobsa, and W. Nejdl, Eds., ed Berlin, Heidelberg: Springer Berlin Heidelberg, pp. 325-341, 2007. [24] I. Cantador, A. Bellogín and D. Vallet, “Content-based recommendation in social tagging systems,” in Proceedings of the fourth ACM Conference on Recommender Systems, pp. 237-240, 2010. [25] L. Yao, Q. Z. Sheng, A. H. H. Ngu, J. Yu and A. Segev, “Unified collaborative and content-based web service recommendation,” IEEE Transactions on Services Computing, vol. 8, pp. 453-466, 2015. [26] J. Wang, A. P. De Vries and M. J. Reinders, “Unifying user-based and item-based collaborative filtering approaches by similarity fusion,” in Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 501-508, 2006. [27] Y. Shi, M. Larson and A. Hanjalic, “List-wise learning to rank with matrix factorization for collaborative filtering,” Proceedings of the Fourth ACM Conference on Recommender Systems, Barcelona, Spain, 2010. [28] M. Gao, Z. Wu and F. Jiang, “Userrank for item-based collaborative filtering recommendation,” Information Processing Letters, vol. 111, pp. 440-446, 2011. [29] A. Hawalah and M. Fasli, “Utilizing contextual ontological user profiles for personalized recommendations,” Expert Systems with Applications, vol. 41, pp. 4777-4797, 2014. [30] H. Parvin, P. Moradi, S. Esmaeili and M. Jalili, “An efficient recommender system by integrating non-negative matrix factorization with trust and distrust relationships,” in 2018 IEEE Data Science Workshop (DSW), pp. 135-139, 2018. [31] H. Ma, H. Yang, M. R. Lyu and I. King, “Sorec: social recommendation using probabilistic matrix factorization,” in Proceedings of the 17th ACM Conference on Information and Knowledge Management, pp. 931-940, 2008. [32] G. Guo, J. Zhang and N. Yorke-Smith, “A novel recommendation model regularized with user trust and item ratings,” IEEE Transactions on Knowledge and Data Engineering, vol. 28, pp. 1607-1620, 2016. [33] S. Boyd, “Alternating direction method of multipliers,” in Talk at NIPS Workshop on Optimization and Machine Learning, 2011. | ||
آمار تعداد مشاهده مقاله: 525 تعداد دریافت فایل اصل مقاله: 452 |