عنوان فارسی مقاله: داده‌های شبکه‌های اجتماعی برای کاهش کولد استارت در سیستم توصیه گر: بررسی سیستماتیک

چکیده

سیستم‌های توصیه شده در حال حاضر بسیار مناسب برای کمک به کاربران برای مقابله با اضافه بار اطلاعات هستند که از حجم زیادی از داده‌ها در وب استفاده می‌کنند و به طور خودکار مناسب‌ترین موارد را که نیازهای کاربران را برآورده می‌کنند، پیشنهاد می‌دهند(داده‌های شبکه‌های اجتماعی برای کاهش کولداستارت). با این حال، در مواردی که کاربر به سیستم سیستم توصیه گر جدید است، سیستم نمی‌تواند مواردی را که مربوط به او / او است به دلیل عدم وجود اطلاعات قبلی در مورد کاربر و / یا سابقه امتیاز رتبه بندی کاربر که به تعیین کاربران کمک می‌کند توصیه نمی‌کند اولویت‌ها. این مشکل به عنوان راه اندازی سرد شناخته می‌شود، که باقی می‌ماند زیرا ممکن است راه حلی نداشته باشد. شبکه‌های اجتماعی به عنوان منبع خوبی از اطلاعات برای تعیین ترجیحات کاربر برای کاهش مشکل شروع سرد استفاده می‌شود. این مقاله نتایجی از بررسی ادبیات سیستماتیک را در مورد سیستم پیشنهاد دهنده مبتنی بر فیلتر همکاری ارائه می‌دهد که از داده‌های شبکه‌های اجتماعی برای کاهش مشکل شروع سرد استفاده می‌کند. این بررسی ادبیات منظم مقالات منتشر شده بین سال‌های ۲۰۱۱ تا ۲۰۱۷ را برای انتخاب جدیدترین مطالعات در این منطقه تهیه کرد. هر مقاله انتخاب شده بر اساس عمق شبکه‌های اجتماعی مورد استفاده برای کاهش مشکل شروع سرمايه گذاری قرار گرفت. نتایج نهایی نشان می‌دهد که چندین نشریه وجود دارد که از اطلاعات شبکه‌های اجتماعی درون سیستم توصیه می‌شود؛ با این حال، چند مقاله پژوهشی در حال حاضر از این داده‌ها برای کاهش مشکل راه اندازی سرد استفاده می‌کنند(داده‌های شبکه‌های اجتماعی برای کاهش کولداستارت).

کلیه مقالات مرتبط را میتوانید در بخش ترجمه مقالات فناوری اطلاعات ملاحظه کنید.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Social network data to alleviate cold-start in recommender system: A systematic review

Abstract:

Recommender Systems are currently highly relevant for helping users deal with the information overload they suffer from the large volume of data on the web, and automatically suggest the most appropriate items that meet users needs. However, in cases in which a user is new to Recommender System, the system cannot recommend items that are relevant to her/him because of lack of previous information about the user and/or the user-item rating history that helps to determine the users preferences. This problem is known as cold-start, which remains open because it does not have a final solution. Social networks have been employed as a good source of information to determine users preferences to mitigate the cold-start problem. This paper presents the results of a Systematic Literature Review on Collaborative Filtering-based Recommender System that uses social network data to mitigate the cold-start problem. This Systematic Literature Review compiled the papers published between 2011–2017, to select the most recent studies in the area. Each selected paper was evaluated and classified according to the depth which social networks used to mitigate the cold-start problem. The final results show that there are several publications that use the information of the social networks within the Recommender System; however, few research papers currently use this data to mitigate the coldstart problem.