بهبود توصیه های top-K با ارتباط اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر
26,300 تومانشناسه فایل: 7542
- حجم فایل ورد: 702.5KB حجم پی‌دی‌اف: 528.3KB
- فرمت: فایل Word قابل ویرایش و پرینت (DOCx)
- تعداد صفحات فارسی: 24 انگلیسی: 15
- دانشگاه:Department of Computer Science and Engineering, POSTECH (Pohang University of Science and Technology), 77 Cheongam-Ro. Nam-Gu., Pohang, Gyeongbuk 37673, Republic of Korea
- ژورنال: Information Sciences (2)
چکیده
به دلیل مسئله کمبود داده ها، اطلاعات شبکه اجتماعی بیشتر به شکل اضافی به کار می رود تا عملکرد سیستم های پیشنهاد دهنده را بهبود ببخشد. در صورتی که اکثر کارهای موجود به بهره‌گیری از اطلاعات اجتماعی جهت کاهش رتبه بندی خطای پیش بینی، از جمله آر.ام.اس.ایی می پردازند، هدف تعداد کمی از آنها بهبود دقت پیش بین رده بندی k برتر می باشد. این مقاله روش جدید پیشنهاد دهی مبتنی بر رده بندی k برتر، TRecSo مطرح می کند که اطلاعات اجتماعی را در این پیشنهاد شامل می سازد و دو نقش مختلف کاربران به عنوان اعتماد کننده و مورد اعتماد مدل سازی می کند ضمن آنکه اطلاعات ساختاری شبکه را در نظر می گیرد. مطالعات تجربی درباره پایگاه داده های حقیقی نشان می دهند که TRecSo باعث بهبود قابل ملاحظه در مقایسه با روش های دیگر در پیشنهاد k برتر می گردد.
مقدمه مقاله
سیستم های پیشنهاد کننده به خاطر مقدار فزاینده اطلاعات موجود برای کاربران درباره وب، اخیرا در شرکت های صنعتی از جمله آمازون، نتفلیکس و فیس بوک از محبوبیت برخوردار شده اند. در واقع طبق گزارشات ، آمازون حدود 35% از درآمد خود را از طریق توصیه های فردی فراهم شده با الگوریتم های توصیه کسب می کند. علاوه بر این، سیستم های توصیه کننده کاربرد گسترده ای برای کمک به محققان علمی در فرایند تصمیم گیری خود دارند هنگامی که به جستجوی مقالات علمی مرتبط می پردازند. لذا بهبود کیفیت سیستم های توصیه کننده مسئله تحقیقاتی جذابی برای محققان علمی می باشد.
در شروع کار، مقدار عمده ای از تحقیقات به پیش بینی درست رده بندی های کلی اختصاص داده شده است که خطای پیش بینی رده بندی از جمله آر.ام.اس.ایی و ام.ای.ایی را کاهش می دهد. با توجه به مارتیس رده بندی آیتم، هدف اصلی آنها فراهم سازی رده بندی درست آیتم توسط کاربر می باشد. به هر حال به جای رده بندی های پیش بینی شده بهتر، کاربران علاقه بیشتری به مشاهده فهرست آیتم های k تراز اول دارند که متناسب با اولویت های آنها می باشد. در نتیجه، روش یادگیری بر طبق رده بندی نوعی روش یادگیری دستگاه تحت نظارتی است که به طور مستقیم فهرست رده بندی را از داده های آموزشی می سازد بدون آنکه مرحله میانی پیش بینی رده بندی را در نظر بگیرد، این روش برای فراهم سازی نتایج درست در k تراز اول از محبوبیت برخوردار شده است. علی رغم موفقیت رویکردهای توصیه، سیستم های توصیه کننده دچار محدودیت ذاتی اند که مسئله کمبود داده ها نام دارند، به عبارتی توصیه به ندرت به خاطر کمبود مشاهدات ( یعنی رده بندی ها) درست است چون کاربران معمولا تعداد کمی از آیتم ها را رده بندی می کنند. برای پرداختن به مسئله کمبود داده ها، محققان سعی نموده اند اطلاعات جانبی از جمله رابطه مندی شبکه اجتماعی در بین کاربران، مرور متنی در بین کاربران، اطلاعات مربوط به زمان، و اطلاعات کیفیت آیتم ها شامل سازند. به طور ویژه این مقاله بر شامل سازی اطلاعات شبکه اجتماعی کاربران در توصیه k تراز اول متمرکز می باشد.
اخیرا دو روش توصیه رتبه اول k مطرح شده اند تا اطلاعات شبکه اجتماعی مبتنی بر رویکرد ال.تی.آر را شامل سازند. به طور ویژه، یائو با همکاران، به طور خطی سلیقه کاربر و سلیقه دوستان بی واسطه وی ا در بهینه سازی توصیه k برتر ترکیب می کنند. به هر حال آنها از اطلاعات مهم دیگر نهان شده در شبکه اجتماعی از جمله اطلاعات ساختاری یا رابطه مندی اعتماد کننده-مورد اعتماد استفاده نمی کنند. زائو با همکاران به بهینه سازی توصیه k تراز اول طبق ترتیب نسبی می پردازند که می توان آن را از سابقه خرید یا سابقه جستجو به دست آورد اما آنها نمی توانند به طور مستقیم به رده بندی های عددی بپردازند. دقت کنید که رده بندی های عددی معمولا حاوی اطلاعات غنی تر درباره اولویت کاربران به جای ترتیب نسبی اند.
هدف این مقاله مطرح نمودن روش جدید توصیه k تراز اول مبتنی بر ال تی آر می باشد. TRecSo که از اطلاعات شبکه اجتماعی برای بهینه سازی توصیه k تراز اول استفاده می کند. TRecSo با روش های قبلی متفاوت است به طوری که دو نقش مختلف کاربران به عنوان اعتماد کننده و مورد اعتماد مدلسازی می کند در حالی که اطلاعات ساختاری شبکه را در نظر دارد. ما به طور دقیق کاربران را به دو نوع فضای ابعادی پایین بر طبق نقش خود طرح بندی می کنیم فضی اعتماد کننده و مورد اعتماد تحت شرایط زیر:
- هنگامی که کاربر الف چند انتخاب آیتم دارد، به افراد روی آورده و از روی اعتماد از آنها درخواست می کند نظرات خود را درباره آیتم ها بگویند.
- در نتیجه، رفتار کاربر الف بر افراد تاثیر می گذارد که به کاربر الف اعتماد دارند.
شرایط خود را بر طبق زیر خلاصه می کنیم
- روش جدید توصیه k تراز اول مبتنی بر یادگیری بر طبق رده بندی مطرح می کنیم که اطلاعات شبکه اجتماعی در بین کاربران را در نظر دارد تا مسئله کمبود داده ها را تسکین دهد.
- ما کاربران را به دو نوع فضای ابعادی پایین بر طبق نقش آنها تطبیق دهی می کنیم در حالی که اطلاعات ساختاری شبکه اعتماد را در نظر داریم.
- نتایج آزمایشی ما درباره سه مجموعه داده حقیقی نشان می دهد که روش ما به طور قابل ملاحظه بهتر از روش های قبلی در توصیه k تراز اول عملکرد دارد.
بقیه این مقاله بر طبق زیر ساماندهی شده است. بخش دوم به توصیف آثار مربوطه می پردازد. در بخش 3 مسئله به طور رسمی بحث می شود. در بخش 4 به توصیف روش پیشنهادی خود TrecSo می پردازیم و الگوریتم یادگیری را نشان می دهیم. در بخش 5 به توصیف پیچیدگی روش مطرح شده خود با نتایج تجربی در بخش 6 می پردازیم. سرانجام آنکه در بخش 7 به نتیجه گیری مقاله می پردازیم.
ABSTRACT Improving top-K recommendation with truster and trustee relationship in user trust network
Due to the data sparsity problem, social network information is often additionally used to improve the performance of recommender systems. While most existing works exploit social information to reduce the rating prediction error, e.g., RMSE, a few had aimed to improve the top-k ranking prediction accuracy. This paper proposes a novel top-k ranking oriented recommendation method, TRecSo, which incorporates social information into recommendation by modeling two different roles of users as trusters and trustees while considering the structural information of the network. Empirical studies on real-world datasets demonstrate that TRecSo leads to a remarkable improvement compared with previous methods in top-k recommendation.
Introduction
Due to the ever increasing amount of information available to users on the Web, recommender systems have recently gained their popularity in industrial companies such as Amazon1, Netflix2, Facebook3, to name a few. Indeed, it has been reported that Amazon are generating about 35% of their revenue through personalized recommendations provided by their own recommendation algorithms [21]. Moreover, recommender systems are widely used to help academic researchers in their decision making process when searching for relevant scientific articles [37,38,41]. Hence, improving the quality of recommender systems has been an attractive research problem for academic researchers.
In the beginning, a significant amount of research was devoted to accurately predicting the overall ratings to reduce the rating prediction error, e.g., RMSE, MAE [2,13]. Given a user-item rating matrix, their main goal was to provide the correct rating that a user will give to an item. However, rather than better predicted ratings, users are more interested in seeing a list of top-k items that aligns with their preferences. Moreover, it is well known that minimizing the rating prediction error does not always result in better top-k list of items [6,46]. Consequently, the Learning-To-Rank (LTR) [16] method, a supervised machine learning method that directly builds a ranking list from training data without an intermediate step of the rating prediction, has gained popularity to provide accurate results at top-k.
Despite the success of recommendation approaches, recommender systems suffer from an inherent limitation called the data sparsity problem, that is, the recommendation is hardly accurate due to lack of observations (i.e., ratings) because users typically rate a small number of items. To tackle the data sparsity problem, researchers have tried to incorporate auxiliary information such as social network relationship among users [7–9,17,19], text reviews on items [15,23,41], time related information [1,14,43] and items’ quality information [28,37,38]. Specifically, this paper focuses on incorporating the social network information of users in the top-k recommendation.
Recently, two top-k recommendation methods have been developed to incorporate the social network information based on the LTR approach. Specifically, Yao et al. [48] linearly combine a user’s taste and her direct friends’ tastes in optimizing the top-k recommendation. However, they do not utilize other important information hidden in the social network such as the structural information or truster-trustee relationship [45]. Zhao et al. [49] optimize the top-k recommendation from relative ordering that can be extracted from purchase history or browsing history, but they cannot handle numerical ratings directly. Note that numerical ratings usually contain much richer information on users preference than relative ordering.
This paper proposes a novel LTR-based top-k recommendation method, TRecSo, which leverages the social network information to optimize top-k recommendation. TRecSo is distinguished from previous methods in that it models two different roles of users as trusters and trustees while considering the structural information of the network. Precisely, we map users into two types of low dimensional spaces according to their roles, that is, truster space and trustee space under the following assumptions:
- When “user A” is given several choices of items, he turns to people he trusts to ask them their opinions about the items.
- Consequently, the behavior of “user A” will influence the people that trust “user A”. We summarize our contributions as follows:
- We develop a novel Learning-To-Rank (LTR) based top-k recommendation method that takes into account the social network information among users to alleviate the data sparsity problem.
- We map users into two types of low dimensional spaces according to their roles while considering the structural information of the trust network.
- Our experimental results on three real-world datasets indicate that our method considerably outperforms previous methods in top-k recommendation.
The remainder of this paper is organized as follows. Section 2 describes the related work; The problem is formally discussed in Section 3; In Section 4, we describe our proposed method, TRecSo, and demonstrate the learning algorithm; In Section 5, we describe the complexity of our proposed method followed by experimental results in Section 6. Finally in Section 7, we conclude the paper.
- مقاله درمورد بهبود توصیه های top-K با ارتباط اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر
- پروژه دانشجویی بهبود توصیه های top-K با ارتباط اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر
- بهبود توصیه top-K با ارتباط اعتماد
- پایان نامه در مورد بهبود توصیه های top-K با ارتباط اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر
- تحقیق درباره بهبود توصیه های top-K با ارتباط اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر
- مقاله دانشجویی بهبود توصیه های top-K با ارتباط اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر
- بهبود توصیه های top-K با ارتباط اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر در قالب پايان‌نامه
- پروپوزال در مورد بهبود توصیه های top-K با ارتباط اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر
- گزارش سمینار در مورد بهبود توصیه های top-K با ارتباط اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر
- گزارش کارورزی درباره بهبود توصیه های top-K با ارتباط اعتماد کننده و مورد اعتماد در شبکه اعتماد کاربر