التفضيل الموجه للمستخدم تجاه نظام التوصية
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
في الوقت الحاضر، من الملائم لنا استخدام محرك بحث للحصول على المعلومات المطلوبة. لكن في بعض الأحيان يسيء فهم المعلومات بسبب التقارير الإعلامية المختلفة. نظام التوصية (RS) شائع الاستخدام في كل الأعمال لأنه يمكن أن يوفر معلومات للمستخدمين التي ستجذب المزيد من الإيرادات للشركات. ولكن أيضًا ، في بعض الأحيان ، يوصي النظام المستخدمين بالمعلومات غير الضرورية. لهذا السبب ، قدم هذا البحث بنية لنظام التوصية التي يمكن أن تستند إلى التفضيل الموجه للمستخدم. هذا النظام يسمى UOP-RS. لجعل UOP-RS بشكل كبير، ركزهذا البحث على معلومات السينما وتجميع قاعدة بيانات الأفلام من موقع IMDb الذي يوفر معلومات متعلقة بالأفلام والبرامج التلفزيونية ومقاطع الفيديو المنزلية وألعاب الفيديو والمحتوى المتدفق الذي يجمع أيضًا العديد من التقييمات والمراجعات من المستخدمين. حلل البحث أيضًا بيانات المستخدم الفردي لاستخراج ميزات المستخدم. بناءً على خصائص المستخدم ، وتقييمات / درجات الفيلم ، ونتائج الأفلام ، تم بناء نموذج UOP-RS. في تجربتنا ، تم استخدام 5000 مجموعة بيانات أفلام IMDb و 5 أفلام موصى بها للمستخدمين. تظهر النتائج أن النظام يمكنه إرجاع النتائج في 3.86 ثانية ولديه خطأ 14٪ على السلع الموصى بها عند تدريب البيانات على أنها K = 50. في نهاية هذه الورقة خلص إلى أن النظام يمكن أن يوصي بسرعة مستخدمي السلع التي يحتاجون إليها. سوف يمتد النظام المقترح للاتصال بنظام Chatbot بحيث يمكن للمستخدمين جعل الاستعلامات أسرع وأسهل من هواتفهم في المستقبل.
Received 11/12/2020
Accepted 15/3/2021
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Ricci F, Rokach L, Shapira B. Introduction to recommender systems handbook. In Recommender systems handbook 2011 (pp. 1-35). Springer, Boston, MA.
Pal A, Parhi P, Aggarwal M. An improved content-based collaborative filtering algorithm for movie recommendations. In2017 tenth international conference on contemporary computing (IC3) 2017 Aug 10 (pp. 1-3). IEEE.
Chen AY, McLeod D. Collaborative filtering for information recommendation systems. In Encyclopedia of E-Commerce, E-Government, and Mobile Commerce 2006 (pp. 118-123). IGI Global.
Su X, Khoshgoftaar TM. A survey of collaborative filtering techniques. Advances in artificial intelligence. 2009;2009.
Aiolli F. A Preliminary Study on a Recommender System for the Million Songs Dataset Challenge. In IIR 2013 Jan 16 (pp. 73-83).
Halder S, Sarkar AJ, Lee YK. Movie recommendation system based on movie swarm. In 2012 Second International Conference on Cloud and Green Computing 2012 Nov 1 (pp. 804-809). IEEE.
Kbaier ME, Masri H, Krichen S. A personalized hybrid tourism recommender system. In2017 IEEE/ACS 14th International Conference on Computer Systems and Applications (AICCSA) 2017 Oct 1 (pp. 244-250). IEEE.
Bobadilla J, Bojorque R, Esteban AH, Hurtado R. Recommender systems clustering using Bayesian nonnegative matrix factorization. IEEE Access. 2017 Dec 29;6:3549-64.
Neamah AA, El-Ameer AS. Design and Evaluation of a Course Recommender System Using Content-Based Approach. In 2018 International Conference on Advanced Science and Engineering (ICOASE) 2018 Oct 9 (pp. 1-6). IEEE.
Baltrunas L, Ludwig B, Ricci F. Matrix factorization techniques for context-aware recommendation. InProceedings of the fifth ACM conference on Recommender systems 2011 Oct 23 (pp. 301-304).
Zhang R, Mao Y. Movie Recommendation via Markovian Factorization of Matrix Processes. IEEE Access. 2019 Jan 11;7:13189-9
Walek B, Spackova P. Content-based recommender system for online stores using expert system. In 2018 IEEE First International Conference on Artificial Intelligence and Knowledge Engineering (AIKE) 2018 Sep 26 (pp. 164-165). IEEE.
Danil B, Elena Y, Ekaterina P. Similarity Measures and Models for Movie Series In Recommender System. International Conference on Internet Science 2018 Oct 24 (pp. 181-193). Springer, Cham.
Li J, Xu W, Wan W, Sun J. Movie recommendation based on bridging movie feature and user interest. J Comput Sci. 2018 May 1;26:128-34.
Desrosiers C, Karypis G. A comprehensive survey of neighborhood-based recommendation methods. In Recommender systems handbook 2011 (pp. 107-144). Springer, Boston, MA.
Lin PC, Arbaiy N. A Novel Classifier for a Kansei Recommender System. In2018 IEEE International Conference on Cognitive Computing (ICCC) 2018 Jul 2 (pp. 114-117). IEEE.
Lin PC, Arbaiy N. An Algorithm Design of Kansei Recommender System. InInternational Conference on Soft Computing and Data Mining 2018 Feb 6 (pp. 115-123). Springer, Cham.