基于外部社会信任网络的推荐系统

文摘

随着社交网络的发展和网络的移动社区、群体推荐系统支持用户的交互有相似兴趣或与他人的目的。我们经常为亲密的朋友提供一些建议,例如听喜欢的音乐,分享最喜欢的菜肴。然而,传统的集团用户的个性被忽视了的推荐系统在多数满意。本文基于外部社会信任网络的组织推荐的一种方法,提出了构建一个组概要的分析不仅用户的偏好,而且社会集团成员内部和外部之间的关系。我们使用用户的分歧度来调整组偏好等级社会信任网络的外部信息。此外,讨论不同的社交网络利用率,我们提出一个方法来为小群体大小工作。实验结果表明,该方法一直更高精度和导致满意对组织的建议。

1。介绍

近年来,推荐系统和移动计算的研究发展非常迅速,和各种各样的推荐系统已经出现,例如,移动推荐系统,上下文感知推荐系统和社会网络的推荐系统。然而,大多数现有的系统只能为单个用户工作。事实上,许多日常活动是由一群来自不同地区的人,比如看电影或者电视节目,去餐馆吃饭,在公共场合和旅行和得到服务。因此,有必要对系统考虑的建议一定数量的人,叫做GRS(组推荐系统)1]。

在GRS,小组成员的偏好可能相同或不同。如何得到小组成员的共同偏好,缓解群体成员之间的冲突,使推荐结果尽可能满足所有小组成员的需要,这是需要解决的关键问题(2,3]。

当前社交网络群体推荐系统同时考虑强度组的成员之间的关系考虑(4- - - - - -6)和社交网络的影响每个小组成员的信息(7- - - - - -9最后生成组推荐系统通过聚合策略。目前,社交网络的主要影响是社会影响的小组成员组推荐系统。起初,当群体偏好不一致,这些系统优先照顾的成员更多的社会影响力和忽略一些成员小社会影响的意图。此外,它是不合理的,目前GRS仍然认为社交网络的影响力而集团已达成共识。本文旨在纠正偏好等级社会信任网络当组评级的项无法达成共识。具体地说,本文使用真正的外部成员信任评级由小组成员正确预测评级的一些项目。当组织小的分歧,即集团倾向达到共识,社会信任的影响将会减少网络GRS,以便动态地调整社会网络的影响因素和减少错误GRS。

此外,整个小组成员要求在同一社交网络目前的社交网络的推荐系统(4,5,7- - - - - -9),和其他社交网络的成员可以被忽略。本文提出的方法是,一些用户不喜欢与别人交流的社交网络和不相同的社交网络也可以从中受益。

本文的结构如下。节2介绍推荐的相关工作社交网络,和部分3阐述了基于外部信任社交网络的方法提出了。部分4介绍了实验结果。部分5总结了全文,并讨论未来的工作。

2。相关工作

2.1。组推荐系统

GRS [3)通常生成集团通过聚合个人偏好的评级。根据论文詹姆逊和史密斯1),主要生成偏好聚合方法是合并的建议为个人,评级为个人的聚合,构造一组偏好模型。苏潘et al。10]目前编译最重要的偏好聚合技术。这些基本方法合并评级预测分别计算每一项全球预测。选择一个合适的聚合策略是成功的一个关键因素的建议。利玛窦等人的工作。11)描述与实际用户进行了一系列的实验,以确定哪些策略执行最好的。这些实验表明,平均和平均没有痛苦最好策略执行从用户的角度来看,因为他们似乎获得类似的建议那些脱离实际的讨论在一群“人类”。

组推荐系统可以分为两大类(12,13]:那些执行一个聚合的个人偏好获得可能的组为每个候选人评估项和那些执行一个聚合的个体模型到一个单一的组织模型和基于该模型生成的建议。在第一种方法中,一个基于单独的推荐系统首先是用于生成建议每个小组成员,然后一群共识函数用于合并个人建议和选择那些最适合整个集团。在第二个方法中,生成一个伪用户配置文件从所有小组成员,和一个基于单独的然后使用推荐系统在运行时生成伪用户的建议。通过考虑个人小组成员和合并的建议(7]他们在运行时生成组推荐系统,这种GRS架构可以很容易地适应动态组和裁缝建议为每个特定的场景。

个人推荐实现了协同过滤算法中描述的凯莱赫和桥14)和组推荐的上下文中主要研究协同过滤(CF) [8,15,16]。我们选择了这个算法,因为它被广泛用于推荐项目的建模用户首选项不是一个有效的选择(如最真实的场景17- - - - - -19)和其他(20.- - - - - -23])。该算法需要用户率一组初始的项目。然后,这些评级被用来估计的预测评级未分级的项目。

等已经应用于实例GRS MusicFX [24),获得关于客户利益的信息从数据库存储他们的音乐风格偏好(之前和显式指定)。一些系统建议,不会特别突然,维持推荐风格的一致性。为了避免突然的音乐推荐、音乐播放会被认为在捕蝇草25]。另一个系统,考虑了先前的选择是PoolCasting [26]。它使用一个案例推理系统生成一系列歌曲定制的移动社区的听众。先选择序列中的每首歌,歌曲音乐的一个子集相关序列的最后的歌从池音乐检索;然后观众的喜好表达为案例重用定制群听众的选择;最后,听众可以修改他们的满意度(或缺乏)为他们听过的歌曲。让我们浏览(27)首先创建个人资料作为一组约50 keyword-weighted对取得的爬虫从用户的页面。然后群偏好模型结果从一个简单的线性组合的个人资料。

除了个人信息外,还有一些其他的信息将被考虑(28,29日),在另一个有趣的基于内容的推荐系统有口袋餐馆仪(30.),建议餐厅群体基于用户位置和餐厅的烹饪特点。麦卡锡提出推荐餐厅的口袋餐厅仪人考虑他们的饮食口味和位置。具体来说,推荐使用信息,如旅行距离,将设施,烹饪,和预算计划。使用推荐系统时,小组成员必须表达明确,分别为四个功能所需的值,和他们也需要秩序的功能在一个水平的优先级。然后,口袋餐厅仪计算建议采用平均偏好聚合方法。餐馆排名显示在列表相匹配的组的喜欢。

2.2。社交网络的推荐系统

GRS的重要影响因素之一是社会集团之间的关系(8,9,31日,32]。研究表明,用户更愿意接受可信的推荐用户而不是匿名用户(5]。

加特雷尔et al。7)提出,《社交网络》并入该集团首次推荐系统。方法基于规则组共识框架,它不仅考虑了群体成员的兴趣,但还描述了小组成员的重量差异。系统需要的社会关系,社会的频率,和专业水平。

随着互联网的发展,社交平台已经被研究者关注。HappyMovie [8)是一个在线GRS在Facebook上;此外研究人员需要处理两个测试:一个是性格测试,得到用户的个性通过TKI [33),和人格分裂从自私到宽容,总共五个层次。通常自私用户不受用户很容易影响他人,宽容,为了达成共识,使脆弱的用户改变他们的建议。另一个是建立用户偏好模型通过选择自己喜欢的电影。然后小组的建议是通过聚合生成的个人偏好。

SocialGR [9)也是一个真正的研究系统,系统考虑了多方面的社会因素,主要考虑因素是信任关系(TR)、社会相似性(SS)和社会中心(SC)。TR反映了两个成员之间的凝聚力,通过分析他们的情感关系。学生反映了成员之间的相似性,即共享活动,喜欢,朋友,或者利益。SC反映了社交网络的成员的声誉。基本的推荐系统利用协同过滤推荐系统。和组推荐决定通过最大化平均满意度(MAS)的策略。

目前社交网络和组推荐系统的强度通常被认为是组织的成员之间的关系;成员间的领带会影响GRS的结果。尽管一些论文(4- - - - - -7,9考虑社会因素,如人格,信任,个人专长,和社会地位的成员;一旦信息被收购,社交群体推荐系统的步骤如下:首先,获取所有小组成员的偏好列表通过个人推荐系统;然后,增加或减少的重量一群成员的文章通过社会因素;最后,得到的最终结果组推荐系统通过一些聚合策略,考虑到个人的建议和体重。这些方法利用社会因素或多或少;集团成员的重量被认为是在的;这意味着一些成员将被忽略,因为一些小组成员发挥决定性的作用,导致倾向影响有影响力的成员。因此,本文侧重于外部成员GRS的影响,外部成员的信息,和内部成员作为一个整体,分别。

3所示。External-Based社会信任网络组推荐系统

3.1。GRS计算框架

之前的小组建议在社交网络,他们认为小组成员之间的关系的强度(4,5)和社交网络的影响每个小组成员的信息(7- - - - - -9),因此生成聚合组推荐的策略。目前,集团的社交网络的主要影响推荐系统是群体成员的社会影响。一方面,当群体偏好不一致时,这些系统优先照顾的成员更多的社会影响力,并没注意到一些成员小社会影响的意图;另一方面,它是不合理的,这些系统仍然认为社交网络的影响力而集团已达成共识。本文包括以下的想法:纠正偏好评级时通过社会信任网络组评级的项无法达成共识。具体地说,本文使用外部成员的实际评级是由小组成员信任的正确预测评级的物品。当组织小的分歧,即集团倾向达到共识,对GRS的影响将会减少社交网络,社交网络的影响,动态调整,减少错误GRS。事实上,大多数人希望说服别人听从他们的建议当面对冲突和大分歧。这时,如果有一个角色,你信任和可以告诉你什么是最好的选择,也许你会改变你的想法。例如看电影和你的朋友,你可能与他们不打算这样做但你信任的人会改变你的想法,只是他看到它之前,感觉很好。 This scenario shows correcting group preference by new information when degree of group disagreement is large in GRS, and the group is able to reach consensus.

首先,获取每个小组成员的偏好列表通过协同过滤,并确保一个特别小组(通过随机选择的组或系组),和得到的结果组推荐系统由一些聚合战略,上述进步称为古典组预测。然后,计算项目的分歧通过小组成员的预言,分歧极大地受到外部信任网络,反之亦然。我们的方法是图的框架和公式1和公式(1)。

在这里,指一组和OG(集团)表示信息的外部组,即用户群体成员信任。 (古典组预测)是项目的预测通过个人推荐系统和一些聚合策略。 (外实际评级)代表外部集团和成员的实际评级是一个动态平衡因素的外部成员和内部成员的项目 ,外部和内部成员之间平衡的推荐评级。代表一个聚合策略。注意,如果 ,还有没有真正的评级的项目由受信任的用户,和结果计算 将被选中。其他的如果 ,然后没有预测评分的项集团用户和计算结果 会利用。

我们有调整动态外部影响的强度。当小组成员的分歧很大,我们需要纠正外部真实分数。分歧越大,外部影响群体成员的外部影响。当小组成员的分歧很小,小组成员的意见需要保留。分歧是越小,越少的小组成员将外部的影响。例如,当两个人决定在一起看电影,即使有人推荐一部好电影,它可能不是容易影响的决定。我们需要解决两个问题:一是如何确定的价值 ,,另一个是如何解决 。 (古典组预测)代表的预测项目通过个人推荐系统和一些聚合策略;公式如下: 代表一个聚合战略, 代表用户的预测评级项目通过个人推荐系统。

在 ,实际的外部成员的评级,这是相对于群体成员,将引入GRS社交网络。此外,每个用户信任的对象可能不止一个,还有两个点需要考虑外部实际信息:程度的信任和获得实际评级的成员信任;公式如下:

在这里,是指一个群体,噩(集团)表示信息的外部组,即用户群体成员信任,代表一个聚合战略,代表用户的信任程度在用户 , ,0是信任,1是指完全信任。影响,越高的信任程度外部实际信息; 代表用户的实际评级在项目 。

3.2。动态调整的参数

3.2.1之上。LVD

这种方法利用分歧和改进有点分歧。首先,计算预测评级的公正评价小组成员,即样本方差来计算点远离中心的数量偏好组集。该方法称为LVD(λ通过分歧),公式如下: 的计算公式如下:

在这里,是指一群的数量和指标函数介绍:指的是,如果是真的,那么表达式1,除非0。 代表用户的预测评级项目通过个人推荐系统。

3.2.2。LVTP

由于LVD的结构是简单的,一些要求应满足的大小和分布预测组。一方面,在只有两个成员的情况下不能应付,表1分歧(dis) 8和12.5,分别和λ的值都是0,这意味着调整建议外部社会网络上是不必要的,它是不合理的。另一方面,表2分歧(dis)是4.33和7.0,分别和λ的值都是0.33;什么东西看起来很好,但还是不能反映与大分歧的社会网络。以上两种情况的两大分歧,然而有小的λ值;因此,这种方法无法处理的情况仅仅是少数人。

为了解决上述问题,该方法LVTP通过两个部分(λ)在这种情况下提出了以下步骤:首先,标准的价值 ,平衡项目 ,将设置;其次,利用标准的价值群体成员的预测分为不同的两个部分,一个大一个和一个小一 ;最后,计算每个条目上的λ值 。公式如下:

在这里代表的平均值大于标准评级价值。指示器功能介绍:指的是,如果是真的,那么表达式1,除非0。注意,在步骤3中,如果 或 ,这意味着评级小组项目达成共识,表明,小组成员都是喜欢或不喜欢的项目 ,然后 社交网络,这意味着几乎没有影响项目 。特别是,是一个平滑的因素,为了避免如果 导致GRS完全忽视组织的建议,以及不合理的。

关于标准的选择值,本文认为以下三个方面:(1)的中值范围可以评估;例如,某个项目的最高得分是10,最低的是1。中值 和5.5是标准的价值。(2)平均预测的项目在训练数据是标准的价值,每一项标准的值是不同的。(3)所有的预测项目的中值在训练数据是标准的价值,每一项标准的值是不同的。

3.3。基于外部社会信任网络的推荐系统

3.3.1。的描述聚合策略

在集团推荐系统中,偏好融合是指将群成员的偏好和偏好融合也称为聚合策略11)或总规则(34];统一的术语,本文使用术语聚合策略。利玛窦等人。1110聚合策略详细描述,有相对更好的策略,如平均策略和平均没有痛苦在一系列的实验中另一篇论文。

平均策略,集团评级为特定项目计算的平均评级超过所有人。 在哪里 是一组规模和 为每个用户预测评分吗每一项 。表3显示平均策略的例子,预计集团的评级。

最大满意度策略指的是最大的评级项目群,忽略了别人的低评级。 在maxpred指集。马克斯预测评级表吗4显示了示例的最大满意度。

集团的分歧与项目[1] 表示程度的不同的用户组中预测评分的项目 。

表示组预测评分项的均值 。表5给出一个示例计算的分岔。

3.3.2。GRITrust算法

根据的描述和 在部分3.1和3.2,结果可以计算这些参数。注意,如果没有预测 但在 。该组织建议不是空的,而是系统的结果 。以上方法可以缓解GRS的冷启动问题。有时,用户没有任何评级,系统能够帮助他能找到一些更好的答案。

本文算法组推荐系统涉及信托(GRITrust)网络算法的伪代码1。

4所示。实验

4.1。实验数据

为了验证该方法性能实验开放的所有数据。

数据集。我们使用FilmTrust (https://www.librec.net/datasets/filmtrust.zip)[35)评级数据集用于评估目的。这个数据集的统计数据如表所示6和7。和评级范围是 。

数据集建立如下:首先,用户评价电影的实际评级分为8 - 2,这意味着项目为每个人的偏好;例如,一些用户有10个等级不同的项目,训练集有8评级和测试组有2个。然而一些用户没有超过5评级,不能分裂,我们将放弃。然后训练集有1482用户和测试集有1421的,因为一些用户没有评级数量不够。尤其是,只有有609用户可以信任一个或多个其他的这意味着只有41%的用户会使用在训练集,让社交网络比率值是数字的用户在网络训练集的人口,和值是0.41。我们可以计算使用社交网络的概率 通过二项分布时组大小 。如果我们能得到的 的概率是 。显然,价值比别人低= 2。此外,为了验证该方法的可靠性,我们将分别讨论情况组织的大小是2。

本文采用随机分组法进行实验。群体选择,我们注意到,如果我们用一个随机实验组三个人,考虑每一个可能带来的大量计算成本,例如,当数据集有1000用户,有随机选择的三人组合。显然,如果组织的数量和大小适当增加,计算它们是不可能的。为了方便起见,我们进行了一个随机样本的研究。

4.2。评价方法的描述

为了评估该方法的有效性,均方根误差(RMSE) [7)作为评价方法,可以评估建议的质量系统的准确性,这个公式如下: 在哪里物品的数量推荐。

4.3。随机分为组实验

实验的基本理念是协同过滤(CF)算法在训练集;每个用户未见项目预测评级,导致个性化推荐。然后随机选择一个组,计算动态调整参数 ,发现小组成员信任网络中信任的对象,选择合适的聚合策略和计算预测评分项的公式(1)。最后,比较预测与测试集,注意测试集也使用相同的聚合策略。

在表8表明计算的方法LVD和表示的计算方法LVTP。方法计算标准的价值是使用样本的真实价值标准的价值;标准的使用范围的中间值,可以评估;标准的价值使用中值的样本。

根据集团大小我们已经在这个实验中,随机选择100次和群体大小是3 - 11所示。图2说明的性能基线,GRITrust_dis、GRITrust_mean GRITrust_mid, GRITrust_median不同组的大小。当组织规模是3,GRITrust_dis方法比别人是最好的;这意味着LVP比LVTP要好。此外,如果集团规模大于5,然后LVTP比LVP;尤其是GRITrust_mid比别人好。

为了进一步验证该方法的有效性,我们进行了相同的实验的最大满意度的策略。实验结果如图所示3。GRITrust_dis方法也明显好于其他方法当组的大小是3,但组大小是大于5时,错误仍然可以小于基线,和RMSE LVTP可以低。

通过上面的两个实验中,我们展示了该方法的有效性在组推荐系统中,当一大群分歧增加社交网络的影响,反之亦然。

4.4。社交网络利用率组建议

根据研究,有三组推荐系统与社会网络特点:(1)并不是所有的用户在社交网络,这意味着一些用户不使用社交网络;(2)在当前社会网络,一些用户不注意别人;(3)一些用户很少或没有评级信息项。因此,我们不能保证得到有用的信息在每次访问社交网络。利用社交网络的定义如下所示。

定义1。与社交网络群体推荐系统,是集团的建议,通过推荐系统是社交网络访问和使用,我们定义的比例和随着社交网络利用率 。

为了验证该方法呈正相关的社交网络利用率与社交网络群体推荐系统,我们使用相同的数据集和方法随机抽样实验,除了不同的社交网络利用比率选择研究实验。其中, ,集团规模从3到10;例如,G3表明组的大小是3。

在图4RMSE相比,使用平均策略,我们和社会网络利用率。结论可以达到均方根误差的衰落与组的大小没有关系;但是,它与社会网络利用率呈正相关。图5显示社交网络利用率的下降百分比。在图6,我们评估RMSE为20%,40%,60%,80%,和100%的社交网络利用率在不同组的大小。实验表明,RMSE减少随着社交网络利用率的增加,效果通过GRITrust_mid相对较好,约4%至16%。

图7是社会网络利用率情况随机抽样的不同组的大小;我们证明,集团越大,社交网络利用率越高,这个数据集的范围是67% - -92%。根据图6,RMSE方法减少约9% - -15%。

上述实验给出了使用平均策略的结果。此外,RMSE也减少了最大满意度战略具有不同集团大小如图8。实验的结果表明该方法的潜力。

同样,图9表明该方法减少的RMSE社交网络利用比率增加。和GRITrust_median获得的效果相对较好。

在图10我们可以看到,使用方法平均比方法吗与不同的覆盖率。其中,的影响在方法是最好的,平均均方根误差的下降是最高,为4.4%。

通过以上实验验证,在不同的社交网络利用率的情况下,社会网络的利用率越高,效果越好,本文中提出的方法,尽管上述实验主要探讨3 - 10的情况下用户,忽略的群体大小2。

4.5。实验2组大小

正如前面所提到的,当用户在一个组的数量是2,社交网络利用率是0.65。事实上,我们不能在有限的样本实现这一价值。另一方面,根据节中提到的三个方面4.4,它表明,社交网络利用率不会太高。由于我们进行了一次随机抽样实验,实验结果见表9;因此,我们特别讨论组大小2。

在这个实验中,一组尺寸是2,随机样本乘以1000,因为该方法组的大小根据表29表明,我们不能计算出更好的结果,所以这个实验将不会被考虑。数据的实验结果是相反的11和5。在3 - 10的情况下用户,结果在方法优于其他方法和标准价值GRITrust_mid;然而,这个结果的RMSE高于基线如图11显示这表明效果并不好。而标准价值是GRITrust_median, RMSE相对较低,效果比其他标准的价值观。

同样的最大满意度策略实验,图12可以得到相同的结论。

根据上面的两个对比实验,当组的大小是2,该方法采用,均方根误差的吗是标准的值最低,效果是最好的。

5。结论

介绍了影响信任的网络组推荐系统。传统组推荐,当偏好发散,一些小组成员的潜在意图将被忽略。在本文中,我们使用社会网络中的信任网络关系介绍小组成员的外部真实信息,通过一个条目的真实评价,修改群一个条目的预测,当集团分歧很小,也就是说,在集团内实现相同的情况下,减少社交网络推荐该组织的影响。从而动态地调整社会网络的影响因素提高集团推荐的质量。通过实验,不同的聚合策略用于验证该方法的有效性在不同组大小。该方法的误差不会增加群体的增加和将保持在相对较低的水平。在此基础上,我们进一步讨论社会网络利用率的影响的结果组推荐系统。我们的方法表明,群体推荐系统,在同一组的大小,社会网络的利用率更高,均方根误差较低。换句话说,社交网络利用率越高,更好的组织推荐。这表明,对于一个新用户,只要用户选择几个信任的对象,我们的方法可以得到一个好的结果。

尽管取得了一些结果,但没有充分利用所有有效信息在社交网络,如用户相似性,用户的个性,和社会地位。本文旨在验证小组成员以外的影响除了讨论小组成员之间的关系,这将是未来需要讨论。此外,其他领域也需要考虑除了电影;数据的大小也是努力的方向。

数据可用性

我们已经在http://www.librec.net/datasets/filmtrust.zip FilmTrust评级数据集用于评估目的。这个数据集的统计数据如表所示6和7,评级范围是[0.5,4]。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由美国国家科学基金会支持下中国的批准号61365010。

引用

1. 答:詹姆逊和b·史密斯在“建议组织”自适应网络,第627 - 596页,2007年。视图:谷歌学术搜索
2. a·詹姆逊“超过其成员的总和:集团推荐系统面临的挑战”学报工作会议上先进的视觉界面,AVI 20042004年5月,页48-54 ita,。视图:出版商的网站|谷歌学术搜索
3. m . Kompan和m . Bielikova“团队建议:调查和观点,”计算和信息,33卷,不。2、446 - 476年,2014页。视图:谷歌学术搜索
4. l . Quijano-Sanchez j . a . Recio-Garcia, b . Diaz-Agudo“人格与社会信任集团建议,”学报2010年22日国际会议与人工智能工具(ICTAI)阿拉斯,页121 - 126年,法国,2010年10月。视图:出版商的网站|谷歌学术搜索
5. l . Quijano-Sanchez j . a . Recio-Garcia b . Diaz-Agudo和g . Jimenez-Diaz“社会因素在推荐系统组,”ACM智能交易系统和技术,4卷,不。1,货号。8,2013。视图:出版商的网站|谷歌学术搜索
6. l . Quijano-Sanchez b Diaz-Agudo, j . a . Recio-Garcia”推荐一组应用程序在一个社交网络的发展,“以知识为基础的系统卷,71年,第85 - 72页,2014年。视图:出版商的网站|谷歌学术搜索
7. m·加特雷尔x星,问:Lv et al .,“提高集团建议将社会关系的相互作用,”学报》第16届ACM国际会议上支持组工作,组织”10,页97 - 106,美国,2010年11月。视图:出版商的网站|谷歌学术搜索
8. l . Quijanosanchez j . Reciogarcia, b . Diazagudo对于社交网络环境组推荐方法,2011年。
9. 中情局克里斯腾森和美国Schiaffino组推荐系统,社会影响”网络信息审查,38卷,不。4、524 - 542年,2014页。视图:出版商的网站|谷歌学术搜索
10. f·苏潘,k . Takanori f . Goonnapa et al .,“群建模:选择一系列电视项目适合一群观众,“用户建模和User-Adapted交互,14卷,不。1,37 - 85年,2004页。视图:谷歌学术搜索
11. f·里奇,l . Rokach b Shapira, p·b·坎特Eds。推荐系统手册施普林格,2011年。视图:出版商的网站
12. f·奥尔特加,j . Bobadilla答:Hernando, a·古铁雷斯”合并组推荐系统推荐:选择和性能,”信息处理与管理卷,49号4、895 - 901年,2013页。视图:出版商的网站|谷歌学术搜索
13. n . a .纳加尔和华盛顿威尔逊”微分社区选择基于内存组推荐系统”27日佛罗里达州国际人工智能研究学会学报》发布会上,喇叭裤2014美国,页69 - 74,2014年5月。视图:谷歌学术搜索
14. j·凯莱赫和d桥,一个准确和可伸缩的协作推荐,Kluwer学术出版社,2004年。
15. l . Baltrunas t Makcinskas f·里奇,”集团与等级聚合和协同过滤推荐,”第四届ACM推荐系统研讨会论文集,RecSys 2010esp,页119 - 126年,2010年9月。视图:出版商的网站|谷歌学术搜索
16. 美国Berkovsky和j . Freyne”组的配方建议:分析数据聚合策略,”第四届ACM推荐系统研讨会论文集(RecSys 10)西班牙巴塞罗那,页111 - 118,,2010年9月。视图:出版商的网站|谷歌学术搜索
17. g·林登、b·史密斯和j .纽约“Amazon.com建议:item-to-item协作过滤,”IEEE网络计算,7卷,不。1,第80 - 76页,2003。视图:出版商的网站|谷歌学术搜索
18. j·本·谢弗·丹,j . Herlocker森和美国,协同过滤推荐系统施普林格,柏林,德国,2007年。
19. b·萨瓦尔g . Karypis j . Konstan, j . Riedl“基于项目的协同过滤推荐算法,”学报第十届国际会议上万维网(WWW的01),第295 - 285页,2001年。视图:出版商的网站|谷歌学术搜索
20. 张y、m .陈黄d, d . Wu和y,“IDoctor:个性化和专业化的医疗建议混合矩阵分解的基础上,“未来一代计算机系统卷。66年,30至35,2017页。视图:出版商的网站|谷歌学术搜索
21. y张“GroRec: group-centric智能推荐系统整合社会、移动和大数据技术,”IEEE服务计算,9卷,不。5,786 - 795年,2016页。视图:出版商的网站|谷歌学术搜索
22. y, z .你问:王,“TempoRec: Temporal-Topic推荐为基础的社交网络服务,“移动网络和应用程序22卷,第1191 - 1182页,2017年。视图:出版商的网站|谷歌学术搜索
23. y, d . Zhang m·m·哈桑·a . Alamri和l .彭”干部:Cloud-Assisted药物推荐服务网上药店,“移动网络和应用程序,20卷,不。3、348 - 355年,2015页。视图:出版商的网站|谷歌学术搜索
24. j·f·麦卡锡和t . d . Anagnost MUSICFX:仲裁者群体偏好的计算机支持协同训练,”第七届ACM会议程序计算机支持的协同工作(CSCW)的98)1998年11月,页363 - 372。视图:谷歌学术搜索
25. a . Crossen j . Budzik和k·j·哈蒙德,“捕蝇器:智能组音乐推荐”《2002年国际会议上智能用户界面(IUI 02),页184 - 185,美国2002年1月。视图:谷歌学术搜索
26. c . Baccigalupo和大肠广场”,案例的歌调度器集团定制广播,”学报》国际会议案例推理:案例推理的研究和发展,第448 - 433页,2007年。视图:谷歌学术搜索
27. h·利伯曼:w·范·戴克,a . s . Vivacqua”让我们浏览:协同浏览网页代理,”学报》1998年第11届ACM研讨会上的用户界面软件和技术,尤伊斯特- 981998年11月,页65 - 68。视图:谷歌学术搜索
28. k·麦卡锡,m·萨拉l . Coyle l . McGinty b·史密斯和p·尼克松,“猫:同步协作小组的建议方法,”学报2006 - 19喇叭裤佛罗里达国际人工智能研究学会会议上,页86 - 91,墨尔本海滩,佛罗里达,美国,2006年5月。视图:谷歌学术搜索
29. l . Ardissono异邦人,g . Petrone m . Segnan和p . Torasso”阴谋:个性化推荐的旅游景点为桌面和手持设备,“应用人工智能,17卷,不。8 - 9,687 - 714年,2003页。视图:出版商的网站|谷歌学术搜索
30. j·f·麦卡锡口袋restaurantfinder:位于组织的推荐系统,2002年。
31. 美国Shin S.-J。张成泽,S.-P。李”,次用户组的建议为基础多样化的多媒体内容在《社交网络》的环境中,”学报》第九届国际会议上可靠,自主和安全计算2011年12月,页202 - 206。视图:出版商的网站|谷歌学术搜索
32. j·k·金,h . k . Kim h . y .哦,和y Ryu,“在线社区的群体推荐系统,”国际信息管理杂志》上,30卷,不。3、212 - 219年,2010页。视图:出版商的网站|谷歌学术搜索
33. j·e·约翰,“Thomas-kilmann冲突模式工具,”组织与组织管理,1卷,不。2、249 - 251年,1976页。视图:谷歌学术搜索
34. j·s·代尔和r·k·萨林,“群偏好聚合规则基于偏好的力量,”管理科学,25卷,不。9日,第832 - 822页(1980),1979。视图:出版商的网站|谷歌学术搜索|MathSciNet
35. g .郭j·张,n . Yorke-Smith”小说推荐系统的贝叶斯相似性度量,”学报》第23届国际联合会议上人工智能,IJCAI 2013年展出中文,页2619 - 2625年,2013年8月。视图:谷歌学术搜索

版权

版权©2018方广et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。