Select models and parameters for collaborative filtering recommender problems based on evaluation charts

Phan Quoc Nghia * , Huynh Xuan Hiep and Dang Hoai Phuong

* Corresponding author (pqnghia@nomail.com)

Article Sidebar

Full Text: PDF

Received: 15 Sep 2017
Revised: 10 Oct 2017
Accepted: 20 Oct 2017
Published: 20 Oct 2017
Title: Select models and parameters for collaborative filtering recommender problems based on evaluation charts
DOI: 10.22144/ctu.jsi.2017.023
Views
178
Downloads
41
Crossref
Scopus
Google Scholar
Europe PMC
How to Cite
Nghĩa, P. Q., Hiệp, H. X., & Phương, Đ. H. (2017). Select models and parameters for collaborative filtering recommender problems based on evaluation charts. CTU Journal of Science, (CĐ Công nghệ TT), 171-178. https://doi.org/10.22144/ctu.jsi.2017.023
Issue
No. Special issue on Information Technology (2017)
Section
Information Technology

Abstract

Recommender system is considered one of the most effective solutions that can cope with information explosion due to the rapid development of Internet services and is widely applied in many fields. However, to design a recommender system can meet the needs of users, the selection of suitable models for the recommender system and choosing the appropriate value of parameters for the model are always big challenges of designers. This study proposes solutions to choose models and value of parameters suitable for specific collaborative filtering recommender systems. To evaluate the proposed solutions, experiments on three standard datasets of MovieLens, MSWeb, and Jester5k are conducted. Experimental results show that the proposed solutions can assist designers and researchers to quickly identify model and the value parameters model for their specific collaborative filtering recommender systems.
Keywords: Collaborative filtering, machine learning algorithm, recommender systems, recommender models

Tóm tắt

Hệ tư vấn được xem là một giải pháp hiệu quả có thể ứng phó với vấn đề bùng nổ thông tin do sự phát triển quá nhanh của các dịch vụ Internet và được ứng dụng rộng rãi trong nhiều lĩnh vực. Tuy nhiên, để thiết kế một hệ tư vấn có thể đáp ứng được nhu cầu của người dùng thì việc lựa chọn mô hình phù hợp cho hệ thống tư vấn và lựa chọn các giá trị tham số thích hợp cho mô hình luôn là một thách thức lớn của người thiết kế. Trong nghiên cứu này, chúng tôi đề xuất giải pháp lựa chọn mô hình và các giá trị tham số phù hợp cho bài toán tư vấn lọc cộng tác cụ thể. Để đánh giá các giải pháp đề xuất, chúng tôi tiến hành thực nghiệm trên ba tập dữ liệu chuẩn gồm: MovieLens, MSWeb và Jester5k. Kết quả thực nghiệm cho thấy các giải pháp của chúng tôi đề xuất có thể hỗ trợ nhà thiết kế, nhà nghiên cứu xác định được mô hình cũng như các giá trị tham số của mô hình cho bài toán tư vấn cụ thể của họ một cách nhanh chóng.
Từ khóa: Giải thuật máy học, hệ tư vấn, kỹ thuật thống kê, mô hình tư vấn lọc cộng tác

Article Details

References

Ahmed Mohammed K. Alsalama, 2015. A Hybrid Recommendation System Based On Association Rules. Engineering and Technology International Journal of Computer. Electrical, Automation, Control and Information Engineering. 9(1):55-62.

C. Aggarwal, 2016. Recommender Systems: The Textbook. Springer International Publishing Switzerland 2016. DOI 10.1007/978-3-319-29659-31.

Carlos A. Gomez-uribe and Neil Hunt, 2015. The Netflix Recommender System: Algorithms, Business Value, and Innovation. ACM Transactions on Management Information Systems. 6(4) :1-19.

F. Maxwell Harper and Joseph A. Konstan, 2015. The MovieLens Datasets: History and Context. ACM Transactions on Interactive Intelligent Systems (TiiS). 5(4):1-19.

F.O. Isinkaye, Y.O. Folajimi, and B.A. Ojokoh, 2015. Recommendation systems: Principles, methods and evaluation. Egyptian Informatics Journal. 16(3):261-273.

Feng Zhang, TiGong, Victor E. Lee and Gansen Zhao, Chunming Rong and Guangzhi Qu, 2016. Fast algorithms to evaluate collaborative filtering recommender systems. Knowledge-Based Systems. 96:96-103.

Greg Linden, Brent Smith, and Jeremy York, 2003. Amazon.com Recommendations Item-to-Item Collaborative Filtering. IEEE Internet Computing. 7(1):76-80.

Harald Steck, 2011. Item popularity and recommendation accuracy. In Proceedings of the fifth ACM conference on Recommender systems. 11:125-132.

Herlocker JL, Konstan JA, Terveen LG, Riedl JT, 2004. Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems. 22(1):5-53.

Hiep Xuan Huynh, Fabrice Guillet, Henri Briand, 2005. ARQAT: An Exploratory Analysis Tool for Interestingness Measures. In International Symposium on Applied Stochastic Models and Data Analysis. 10:334-344.

J.B. Schafer, D. Frankowski, J. Herlocker, S. Sen, 2007. Collaborative filtering recommender systems. In: P. Brusilovsky, A. Kobsa, W. Nejdl (Eds.) The Adaptive Web. Springer Berlin Heidelberg2007:291-324.

Jack S. Breese, David Heckerman and Carl M. Kadie, 1998. Anonymous web data from www.microsoft.com. Microsoft Research, Redmond WA, 98052-6399, USA. https://kdd.ics.uci.edu/databases/msweb/msweb.html.

JinHyun Jooa, SangWon Bangb, and GeunDuk Parka, 2016. Implementation of a Recommendation System Using Association Rules and Collaborative Filtering. Procedia Computer Science. 91:944-952.

Ken Goldberg, Theresa Roeder, Dhruv Gupta, and Chris Perkins, 2001. Eigentaste: A Constant Time Collaborative Filtering Algorithm. Information Retrieval. 4(2):133-151.

Manolis G. Vozalis and Konstantinos G. Margaritis, 2008. A Recommender System using Principal Component Analysis. 11th Panhellenic Conference in Informatics. 11:271-283.

Martin P. Robillard, Walid Maalej, Robert J. Walker and Thomas Zimmermann, 2014. Recommendation Systems in Software Engineering. Springer Heidelberg New York Dordrecht London. ISBN 978-3-642-45135-5 (eBook).

Michael D. Ekstrand, John T. Riedl and Joseph A. Konstan, 2010. Collaborative Filtering Recommender Systems. Foundations and Trends in Human–Computer Interaction. 4(2):81-173.

Michael Hahsler, 2011. recommenderlab: A Framework for Developing and Testing Recommendation Algorithms. The Intelligent Data Analysis Lab at SMU. http://lyle.smu.edu/IDA/recommenderlab/.

Michael Hahsler, 2015. Lab for Developing and Testing Recommender Algorithms. Copyright (C) Michael Hahsler (PCA and SVD implementation (C) Saurabh Bathnagar). http://R-Forge.R-project.org/projects/recommenderlab/.

Michael Howe, 2007. Pandora’s Music Recommender. ttps://www.semanticscholar.org/.

Nguyễn Thái Nghe, 2016. Hệ thống gợi ý: Kỹ thuật và ứng dụng. https://www.researchgate .net/publication/310059523.

Nguyễn Thái Nghe, Huỳnh Xuân Hiệp, 2012. Ứng dụng kỹ thuật phân rã ma trận đa quan hệ trong xây dựng hệ trợ giảng thông minh. Kỷ yếu Hội thảo quốc gia lần thứ XV: Một số vấn đề chọn lọc của CNTT&TT (@2012), Nhà xuất bản Khoa học và Kỹ thuật. ISBN: 893-5048-931578. pp. 470-477.

Nguyễn Thái Nghe, Nguyễn Tấn Phong, 2014. Xây dựng hệ thống gợi ý bài hát dựa trên phản hồi tiềm ẩn. Tạp chí Khoa học Trường Đại học Cần Thơ. 34 (2014): 81-91.

Phan Quốc Nghĩa, Nguyễn Minh Kỳ, Đặng Hoài Phương, Huỳnh Xuân Hiệp, 2016. Hệ tư vấn lọc cộng tác theo người dùng dựa trên độ đo hàm ý thống kê. Kỷ yếu Hội nghị Quốc gia lần thứ IX về Nghiên cứu cơ bản và ứng dụng Công Nghệ thông tin. FAIR'9:231-239.

Phan Quốc Nghĩa, Nguyễn Minh Kỳ, Nguyễn Tấn Hoàng, Huỳnh Xuân Hiệp, 2015. Hệ tư vấn dựa trên tiếp cận hàm ý thống kê. Kỷ yếu Hội nghị Quốc gia lần thứ VIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin. FAIR’8:297-308.

Phan Quốc Nghĩa, , , 2017. Mô hình tư vấn lọc cộng tác tích hợp dựa trên tương đồng sản phẩm, Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng. 1(110):55-58.

Suresh K. Gorakala and Michele Usuelli, 2015. Building a Recommendation System with R. Published by Packt Publishing Ltd. ISBN 978-1-78355-449-2. www.packtpub.com.

Xun Zhou, , and , 2015. SVD-based incremental approaches for recommender systems. . ):717-733.