https://oldena.lpnu.ua/handle/ntb/44549| Title: | Моделі і методи прогнозування рекомендацій для колаборативних рекомендаційних систем |
| Other Titles: | Models and methods for forecasting recommendations for collaborative recommender systems |
| Authors: | Лобур, М. В. Шварц, М. Є. Стех, Ю. В. Lobur, Mykhaylo Shvarts, Mykhaylo Stekh, Yuriy |
| Affiliation: | Національний університет “Львівська політехніка” Lviv Polytechnic National University |
| Bibliographic description (Ukraine): | Лобур М. В. Моделі і методи прогнозування рекомендацій для колаборативних рекомендаційних систем / М. В. Лобур, М. Є. Шварц, Ю. В. Стех // Вісник Національного університету “Львівська політехніка”. Серія: Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2018. — № 901. — С. 68–75. — (Інформаційні системи, мережі та технології). |
| Bibliographic description (International): | Lobur M. Models and methods for forecasting recommendations for collaborative recommender systems / Mykhaylo Lobur, Mykhaylo Shvarts, Yuriy Stekh // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Serie: Informatsiini systemy ta merezhi. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2018. — No 901. — P. 68–75. — (Information systems, networks and technology). |
| Is part of: | Вісник Національного університету “Львівська політехніка”. Серія: Інформаційні системи та мережі, 901, 2018 |
| Journal/Collection: | Вісник Національного університету “Львівська політехніка”. Серія: Інформаційні системи та мережі |
| Issue: | 901 |
| Issue Date: | Feb-2018 |
| Publisher: | Видавництво Львівської політехніки |
| Place of the edition/event: | Львів |
| UDC: | 004.9 |
| Keywords: | колаборативна фільтрація прогнозування рекомендацій категоріальна кластеризація групові рекомендації collaborative filtration forecasting of recommendations categorical clustering group recommendations |
| Number of pages: | 8 |
| Page range: | 68-75 |
| Start page: | 68 |
| End page: | 75 |
| Abstract: | У цій статті проаналізовано сучасний стан моделей і методів побудови
рекомендаційних систем. Виділено основні класи задач, які вирішують рекомендаційні
системи. Показано особливості застосування методу колаборативної (спільної) фільтрації. Розроблено метод мішаної категоріально-чисельної кластеризації для пошуку груп
користувачів, який використовує числові рейтингові і демографічні характеристики
користувачів, розроблено гібридний метод пошуку груп користувачів, який використовує коефіцієнт розрідженості матриці користувач-предмет. This article analyzes the current state of models and methods for constructing recommender systems. The main classes of tasks that solve recommender systems are highlighted. The features of the application of the method of collaborative (joint) filtering are shown. A mixed numerical-categorical clustering method for searching for user groups that uses numerical rating and demographic characteristics of users has been developed, a hybrid method for searching for user groups has been developed that uses the coefficient of usersubject matrix sparseness |
| URI: | https://ena.lpnu.ua/handle/ntb/44549 |
| Copyright owner: | © Національний університет „Львівська політехніка“, 2018 © Лобур М. В., Шварц М. Є., Стех Ю. В., 2018 |
| References (Ukraine): | 1. J. A. Konstan Recommender systems: from algorithms to user experience / J. A. Konstan J. A. // User Modeling and User-Adapted Interaction. – 2012 – Vol. 22. – No. 1–2. – P. 101–123. 2. Schafer J. B. E-Commerce Recommendation Applications / J. B. Schafer J. B., J. A. Konstan, J. Riedl // Data Mining and Knowledge Discovery. – 2001. – Vol. 5 – No. 1–2. – P. 115–123. 3. Sarwar B. Analysis of recommendation algorithms for e-commerce / B. Sarwar, G. Karypis, J. Konstan, J. Riedl // In Proceedings of the 2nd ACM conference on Electronic. – Minnesota, USA – October 17–20, 2000. – P. 158–167. 4. Pu P, Chen L, Hu R. A user-centric evaluation framework for recommender systems / P. Pu, L. Chen, R. Hu // In: Proceedings of the fifth ACM conference on Recommender Systems (RecSys’11), ACM. – New York, NY, USA. – 2011. – P. 57–164. 5. я к 2. 5. Candillier L. Comparing Stateof-the-Art Collaborative Filtering Systems / L. Candillier, F. Meyer, M. Boullé // In Proceedings of the 5th International Conference on Machine Learning and Data Mining in Pattern Recognition, LNCS. – Vol. 4571. – 2007. – P. 548–562. 6. Su X., Khoshgoftaar T. M. A survey of collaborative filtering techniques / X. Su, T. M. Khoshgoftaar // Adv. Artif. Intell. – Vol. 4571. – 2007 – P. 1–19. 7. Isinkaye F. O. Recommendation systems: Principles, methods and evaluation / F. O. Isinkaye, Y. O. Folajimi B. A. Ojokoh // Egyptian Informatics Journal. – Vol. 16. – 2015. – P.261–273. 8. Das D. A Survey on Recommendation System / D. Das, L. Sahoo, S. Datta // International Journal of Computer Applications. – Vol. 160. – No. 7. – 2017. – P.6–10. 9. Bobadilla J. Recommender systems survey / J. Bobadilla, F. Ortega, A. Hernando, A. Gutiérrez // Knowledge-Based Systems. – Vol. 46. – 2013. – P. 109–132. 10. Resnick P., Varian H. R. Recommender systems / P. Resnick, H. R. Varian // Communications of the ACM. – Vol. 40. – 1997. – P. 56–58. 11. G. Adomavicius, A. Tuzhilin Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions / Adomavicius G., Tuzhilin A. // IEEE Transactions on Knowledge and Data Engineerin. – Vol. 17. – 2005. – P. 734–749. 12. Jameson A., Smyth B. Recommendation to groups / Jameson A., Smyth B. // In The adaptive web: methods and strategies of web personalization. – 2007. – P. 596–627. 13. Konstan J. GroupLens: applying collaborative filtering to usenet news / J. Konstan, B. Miller, D. Maltz, J. Herlocker, L. Gordon, J. Riedl // Commun. ACM – Vol. 40. – No. 3. – 1997. – P.77–87. 14. J. Masthoff Group modeling: selecting a sequence of television items to suit a group of viewers / J. Masthoff // User Model. User-Adap. Inter. – Vol. 14. – No. 1. – 2004 – P. 37–85. 15. L. Boratto, S. Carta, “State-of-the-art in group recommendation and new approaches for automatic identification of groups” / L. Boratto, S. Carta // In Information Retrieval and Mining in Distributed Environments. – Vol. 324. – Springer Berlin Heidelberg – 2011. – P. 1–20. 16. Guha S. Rock: A robust clustering algorithm for categorical attributes / S. Guha, R. Rastogi, K. Shim // Information Systems. – Vol. 25. – No. 5. – 2000. – P. 345–366. |
| References (International): | 1. J. A. Konstan Recommender systems: from algorithms to user experience, J. A. Konstan J. A., User Modeling and User-Adapted Interaction, 2012 – Vol. 22, No. 1–2, P. 101–123. 2. Schafer J. B. E-Commerce Recommendation Applications, J. B. Schafer J. B., J. A. Konstan, J. Riedl, Data Mining and Knowledge Discovery, 2001, Vol. 5 – No. 1–2, P. 115–123. 3. Sarwar B. Analysis of recommendation algorithms for e-commerce, B. Sarwar, G. Karypis, J. Konstan, J. Riedl, In Proceedings of the 2nd ACM conference on Electronic, Minnesota, USA – October 17–20, 2000, P. 158–167. 4. Pu P, Chen L, Hu R. A user-centric evaluation framework for recommender systems, P. Pu, L. Chen, R. Hu, In: Proceedings of the fifth ACM conference on Recommender Systems (RecSys’11), ACM, New York, NY, USA, 2011, P. 57–164. 5. ia k 2. 5. Candillier L. Comparing Stateof-the-Art Collaborative Filtering Systems, L. Candillier, F. Meyer, M. Boullé, In Proceedings of the 5th International Conference on Machine Learning and Data Mining in Pattern Recognition, LNCS, Vol. 4571, 2007, P. 548–562. 6. Su X., Khoshgoftaar T. M. A survey of collaborative filtering techniques, X. Su, T. M. Khoshgoftaar, Adv. Artif. Intell, Vol. 4571, 2007 – P. 1–19. 7. Isinkaye F. O. Recommendation systems: Principles, methods and evaluation, F. O. Isinkaye, Y. O. Folajimi B. A. Ojokoh, Egyptian Informatics Journal, Vol. 16, 2015, P.261–273. 8. Das D. A Survey on Recommendation System, D. Das, L. Sahoo, S. Datta, International Journal of Computer Applications, Vol. 160, No. 7, 2017, P.6–10. 9. Bobadilla J. Recommender systems survey, J. Bobadilla, F. Ortega, A. Hernando, A. Gutiérrez, Knowledge-Based Systems, Vol. 46, 2013, P. 109–132. 10. Resnick P., Varian H. R. Recommender systems, P. Resnick, H. R. Varian, Communications of the ACM, Vol. 40, 1997, P. 56–58. 11. G. Adomavicius, A. Tuzhilin Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions, Adomavicius G., Tuzhilin A., IEEE Transactions on Knowledge and Data Engineerin, Vol. 17, 2005, P. 734–749. 12. Jameson A., Smyth B. Recommendation to groups, Jameson A., Smyth B., In The adaptive web: methods and strategies of web personalization, 2007, P. 596–627. 13. Konstan J. GroupLens: applying collaborative filtering to usenet news, J. Konstan, B. Miller, D. Maltz, J. Herlocker, L. Gordon, J. Riedl, Commun. ACM – Vol. 40, No. 3, 1997, P.77–87. 14. J. Masthoff Group modeling: selecting a sequence of television items to suit a group of viewers, J. Masthoff, User Model. User-Adap. Inter, Vol. 14, No. 1, 2004 – P. 37–85. 15. L. Boratto, S. Carta, "State-of-the-art in group recommendation and new approaches for automatic identification of groups", L. Boratto, S. Carta, In Information Retrieval and Mining in Distributed Environments, Vol. 324, Springer Berlin Heidelberg – 2011, P. 1–20. 16. Guha S. Rock: A robust clustering algorithm for categorical attributes, S. Guha, R. Rastogi, K. Shim, Information Systems, Vol. 25, No. 5, 2000, P. 345–366. |
| Content type: | Article |
| Appears in Collections: | Інформаційні системи та мережі. – 2018. – №901 |
| File | Description | Size | Format | |
|---|---|---|---|---|
| 2018n901_Lobur_M-Models_and_methods_for_forecasting_68-75.pdf | 736.37 kB | Adobe PDF | View/Open | |
| 2018n901_Lobur_M-Models_and_methods_for_forecasting_68-75__COVER.png | 453.46 kB | image/png | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.