XÂY DỰNG HỆ THỐNG GỢI Ý PHIM DỰA TRÊN MÔ HÌNH NHÂN TỐ LÁNG GIỀNG

Triệu Vĩnh Viêm * , Triệu Yến Yến và Nguyễn Thái Nghe

* Tác giả liên hệ (tvviem@nomail.com)

Article Sidebar

Full Text: PDF

Ngày nhận bài: 03-09-2013
Ngày duyệt đăng: 21-10-2013
Ngày xuất bản: 01-10-2013
Title: Building a movie recommender system using factor in the neighbors approach
Lượt xem
440
Downloads
229
Trích dẫn
Viêm, T. V., Yến, T. Y., & Nghe, N. T. (2013). XÂY DỰNG HỆ THỐNG GỢI Ý PHIM DỰA TRÊN MÔ HÌNH NHÂN TỐ LÁNG GIỀNG. Tạp chí Khoa học Đại học Cần Thơ, (CĐ Công nghệ TT), 170-179. Truy vấn từ https://ctujsvn.ctu.edu.vn/index.php/ctujsvn/article/view/1918
Số báo
Số. CĐ Công nghệ TT (2013)
Chuyên mục
Công nghệ thông tin

Abstract

Recommender system can provide suitable items to users by using data about their behavior in the past to predict the future items that users may like. Two successful approaches in recommender system (relying on the collaborative filtering) are the latent factor models which identify potential relationships on both the user and the item; and neighbor models which use similarities between the items or the similarities between the users. In this study, we introduce an approach which is based on the method proposed by Koren (2010) to utilize the advantages of both the aforementioned approaches. Moreover, besides building a web-based movie recommender system, we try to improve the prediction results by adding to the original model several new regularization coefficients for different models? parameters.
Keywords: Collaborative filtering, recommender system

Tóm tắt

Hệ thống gợi ý có thể đưa ra những mục thông tin phù hợp cho người dùng bằng cách dựa vào dữ liệu về hành vi trong quá khứ của họ để đự đoán những mục thông tin mới trong tương lai mà người dùng có thể thích. Hai tiếp cận thành công trong hệ thống gợi ý thuộc vào nhóm lọc công tác là mô hình nhân tố tiềm ẩn - xác định mối quan hệ tiềm ẩn trên cả người dùng và mục thông tin; và mô hình láng giềng - phân tích độ tương tự giữa các mục thông tin với nhau hay giữa những người dùng với nhau. Trong bài viết này, chúng tôi giới thiệu một tiếp cận tích hợp các ưu điểm của cả hai tiếp cận trên dựa vào phương pháp đã được đề xuất bởi Koren (2010). ở đây, bên cạnh việc xây dưng một hệ thống trên nền web để gợi ý phim ảnh cho người dùng, chúng tôi cũng đã điều chỉnh mô hình đã có bằng cách đưa vào các hệ số regularization trên từng tham số khác nhau của mô hình nhằm cải tiến kết quả dự đoán.
Từ khóa: Lọc cộng tác, hệ thống gợi Ý

Article Details

Tài liệu tham khảo

Adomavicius, G., Tuzhilin, A.: Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering 17(6), (2005).

Herlocker, J. L., Konstan, J. A., Borchers, A., Andriedl, J. 1999. An algorithmic framework for performing collaborative filtering. InProceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR’99). ACM, New York, NY, 230–237.

G. Linden, B. Smith, and J. York, 2003. Amazon.com recommendations: Item - item collaborative filtering. IEEE Internet Comput. 7, 1, 76–80.

Gábor Takács, István Pilászy, Bottyán Németh: Major components of the Gravity Recommendation System, Volume 9, Issue 2, p80-83, 2007.

Arkadiusz Paterek: Improving regularized singular value decomposition for collaborative filtering, KDDCup.07 August 12, 2007, San Jose, California, USA.

Yehuda Koren, Yahoo Research, Robert Bell and Chris Volinsky, AT&T Labs - Research: “Matrix Factorization techniques for recommender systems”, Published by the IEEE Computer Society, 2009.

Bell, R.M. and Koren, Y. 2007b. Scalable collaborative filtering with jointly derived neighborhood interpolation weights. In Proceedings of the IEEE International Conference on Data Mining (ICDM). IEEE Computer Society, 43–52.

Gábor Takács, István Pilászy, Bottyán Németh: “Investigation of Various Matrix Factorization Methods for Large Recommender Systems”, 2nd Netflix-KDD Workshop, August 24, 2008, Las Vegas, NV, USA.

Markus Weimer, Alexandros Karatzoglou, Alex Smola: “Improving maximum margin matrix factorization”, Mach Learn (2008) 72: 263–276.

Peter Forbes, Mu Zhu: “Content-boosted Matrix Factorization for Recommender Systems: Experiments with Recipe Recommendation”, RecSys’11, October 23 - 27, 2011, Chicago, Illinois, USA.

Christoph Lippert, Stefan Hagen Weber, Yi Huang, Volker Tresp, Matthias Schubert, Hans-Peter Kriegel: “Relation Prediction in Multi-Relational Domains using Matrix-Factorization”, NIPS 2008 workshop on "Structured Input, Structured Output" (SISO 2008).

Koren, Y. (2010)”: “Factor in the neighbors: Scalable and accurate collaborative filtering.”, AT&T Labs - Research 180 Park Ave, Florham Park, NJ 07932.

Y. Koren: “Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model”, Proc. 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2008.

Gábor Takács, István Pilászy, Bottyán Németh: “Investigation of Various Matrix Factorization Methods for Large Recommender Systems”, 2nd Netflix-KDD Workshop, August 24, 2008, Las Vegas, NV, USA.

Aleks Jakulin: “Machine Learning Based on Attribute Interactions”, University of Ljubljana, Seˇzana, June 13, 2005.