مقاله انگلیسی رایگان در مورد رتبه بندی شخصی شبکه بیزی آگاه به فاصله اجتماعی برای سیستم توصیه گر – الزویر ۲۰۱۹

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله رتبه بندی شخصی شبکه بیزی آگاه به فاصله اجتماعی برای سیستم توصیه گر
عنوان انگلیسی مقاله SDBPR: Social distance-aware Bayesian personalized ranking for recommendation
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی  ۲۴ 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 – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۵٫۳۴۱ در سال ۲۰۱۷
شاخص H_index ۸۵ در سال ۲۰۱۹
شاخص SJR ۰٫۸۴۴ در سال ۲۰۱۷
شناسه ISSN ۰۱۶۷-۷۳۹X
شاخص Quartile (چارک) Q1 در سال ۲۰۱۷
رشته های مرتبط مهندسی کامپیوتر – مهندسی فناوری اطلاعات
گرایش های مرتبط هوش مصنوعی – شبکه های کامپیوتری – اینترنت و شبکه های گسترده
نوع ارائه مقاله
ژورنال
مجله / کنفرانس سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
دانشگاه National Engineering Center for Big Data Technology and System, Services Computing Technology and System Lab Cluster and Grid Computing Lab, School of Computer Science and Technology, Huazhong University of Science and Technology, Wuhan, 430074, China
کلمات کلیدی توصیه گر، رتبه بندی شخصی بیزی، شباهت اجتماعی، پیاده روی تصادفی
کلمات کلیدی انگلیسی Recommendation, Bayesian personalized ranking, Social similarity, Random walk
شناسه دیجیتال – doi
https://doi.org/10.1016/j.future.2018.12.052
کد محصول E12004
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:
Outline
Highlights
Abstract
Keywords
۱٫ Introduction
۲٫ Related work
۳٫ Design
۴٫ Experiments
۵٫ Conclusion
Acknowledgments
References

بخشی از متن مقاله:
Abstract
Recommendation systems recommend new items to users. Because training data contain only binary forms of implicit feedback in many cases, such as in IoT and IoV, one-class collaborative filtering, which can be solved by using rating-based methods to estimate the numeric scores of items or ranking-based methods based on the preferences of each user for items, must be addressed. In addition, because of the sparsity of such data, ranking-based methods are often preferred over rating-based methods when only implicit feedback is available. Social information has recently been used to improve the accuracy of rankings. Traditional approaches simply consider the direct friends of users in a social network, but this process fails to consider the propagation of influence along connections in the social network and cannot reveal the complex graph structure of the social network. In this paper, a novel social distance-aware Bayesian personalized ranking model, called SDBPR, is proposed to generate more accurate recommendations. SDBPR uses a random walk to travel the social network and then makes pairwise assumptions about the ranking order based on the distance between users along the random walk. The experimental results on two real datasets show that the proposed approaches significantly outperform the baseline approaches in terms of ranking prediction.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *