مقاله انگلیسی رایگان در مورد عامل بندی ماتریس مبتنی بر تمایلات – الزویر ۲۰۱۹

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله عامل بندی ماتریس مبتنی بر تمایلات با قابلیت اطمینان برای پیشنهاد
عنوان انگلیسی مقاله Sentiment based matrix factorization with reliability for recommendation
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۱۰ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۵٫۸۹۱ در سال ۲۰۱۸
شاخص H_index ۱۶۲ در سال ۲۰۱۹
شاخص SJR ۱٫۱۹۰ در سال ۲۰۱۸
شناسه ISSN ۰۹۵۷-۴۱۷۴
شاخص Quartile (چارک) Q1 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر
گرایش های مرتبط مهندسی الگوریتم و محاسبات
نوع ارائه مقاله
ژورنال
مجله / کنفرانس سیستم های خبره با کابردهای مربوطه – Expert Systems with Applications
دانشگاه  School of Computer Science, Southwest Petroleum University, Chengdu 610500, China
کلمات کلیدی فیلتر مشارکتی، عامل بندی ماتریس، سیستم پیشنهاد دهنده، تجزیه و تحلیل تمایلات
کلمات کلیدی انگلیسی Collaborative filtering، Matrix factorization، Recommender system، Sentiment analysis
شناسه دیجیتال – doi
https://doi.org/10.1016/j.eswa.2019.06.001
کد محصول  E13568
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
۱٫ Introduction
۲٫ Preliminaries
۳٫ Proposed algorithm
۴٫ Experiments
۵٫ Conclusions and future work
Declaration of interests
CRediT authorship contribution statement
Acknowledgements
References

 

بخشی از متن مقاله:
Abstract

Recommender systems aim at predicting users’ preferences based on abundant information, such as user ratings, demographics, and reviews. Although reviews are sparser than ratings, they provide more detailed and reliable information about users’ true preferences. Currently, reviews are often used to improve the explainability of recommender systems. In this paper, we propose the sentiment based matrix factorization with reliability (SBMF+R) algorithm to leverage reviews for prediction. First, we develop a sentiment analysis approach using a new star-based dictionary construction technique to obtain the sentiment score. Second, we design a user reliability measure that combines user consistency and the feedback on reviews. Third, we incorporate the ratings, reviews, and feedback into a probabilistic matrix factorization framework for prediction. Experiments on eight Amazon datasets demonstrated that SBMF+R is more accurate than state-of-the-art algorithms.

Introduction

Recommender systems are successful in predicting users’ preferences for items using various techniques, such as content-based (Pazzani & Billsus, 2007) and collaborative filtering (CF)-based (Sarwar, Karypis, Konstan, & Riedl, 2001) approaches. Contentbased approaches extract the features of items and build a model or profile of user interests for recommendation. CF-based approaches predict the interests of users by collecting information from similar users or relevant items. One class of popular CFbased methods is the latent factor model, including matrix factorization (MF) (Koren, Bell, & Volinsky, 2009), non-negative MF (Lee & Seung, 2001), and probabilistic MF (PMF) (Mnih & Salakhutdinov, 2008). CF assumes that the ratings can reflect users’ true preferences and items’ real qualities. However, this assumption does not always accord with real-world scenarios for several reasons. First, critical users tend to give a poor rating, whereas tolerant users might give a good rating, which does not necessarily reflect the quality of the item (Raghavan, Gunasekar, & Ghosh, 2012). Second, users who give the same rating may have different degrees of satisfaction (Cheng, Ding, Zhu, & Kankanhalli, 2018; Lloret, Saggion, & Palomar, 2010). Third, rating noise is introduced by fake likes, that is, superior or bad ratings on products presented by a large group of low-paid workers (Mobasher, Burke, Bhaumik, & Williams, 2007). Fourth, a wrong click also has an implicit influence on the unreliability of ratings. Fig. 1 shows some examples of both reviews and ratings selected from Amazon datasets. Here the reviews given by users are inconsistent with their ratings. Fortunately, the increasing information, such as pictures, tags, reviews, and feedback on e-commerce sites, has shed some light on this problem (McAuley, Targett, Shi, & Hengel, 2015; Yu, Zhou, Deng, & Hu, 2018). Most e-commerce sites allow users to provide reviews of products and give feedback (up or down) to evaluate the usefulness of the reviews (Chen, Qi, & Wang, 2012; Connors, Mudambi, & Schuff, 2011; Hart-Davidson, McLeod, Klerkx, & Wojcik, 2010).

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.