| 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 2019 |
| تعداد صفحات مقاله انگلیسی | 24 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 | |
| ایمپکت فاکتور(IF) |
5.341 در سال 2017 |
| شاخص H_index | 85 در سال 2019 |
| شاخص SJR | 0.844 در سال 2017 |
| شناسه ISSN | 0167-739X |
| شاخص Quartile (چارک) | Q1 در سال 2017 |
| 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 1. Introduction 2. Related work 3. Design 4. Experiments 5. 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. |