Pamięciowe algorytmy kooperatywnej filtracji

• Autorzy: Cichosz P.

Warianty tytułu

EN

Memory-based collaborative filtering algorithms

• Języki publikacji: PL

Abstrakty

PL

Zadanie kooperatywnej filtracji, dla pewnego zbioru użytkowników i obiektów, polega na prognozowaniu ocen, jakie przyznaliby użytkownicy nieznanym sobie obiektom, na podstawie znanych ocen przyznanych przez tych użytkowników innym obiektom oraz przez innych użytkowników tym samym obiektom. Rozwiązanie tego zadania umożliwia tworzenie inteligentnych systemów rekomendujących (np. dla elektronicznego handlu) charakteryzujących się wysokim stopniem trafności i indywidualizacji ofert. Artykuł jest poświęcony algorytmom kooperatywnej filtracji opartym na zapamiętywaniu znanych ocen i wykorzystywaniu ich do identyfikacji "najbliższych sąsiadów", na podstawie których wyznaczana jest prognoza. Przedstawiony jest wspólny schemat tego typu algorytmów, jego najbardziej typowa konkretyzacja oraz pozostające do zbadania możliwości poprawy dokładności lub efektywności.

EN

The collaborative filtering task, for a given set of users and items, consists in predicting ratings that the users would assign to unknown items based on known ratings assigned by the same users to similar items or by similar users to the same items. Solutions to this task enable creating intelligent recommender systems (e.g., for e-commerce). The paper is devoted to collaborative filtering algorithms based on storing known ratings and using them to identify the nearest neighbors used to calculate the predictions. A common basic template of such algorithms is presented with its most typical instantiation and remaining possibilities of improving accuracy or efficiency.

Słowa kluczowe

PL

systemy rekomendujące; kooperatywna filtracja; najbliżsi sąsiedzi

EN

recommender systems; collaborative filtering; nearest neighbours

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2009
• Tom: Vol. 50, nr 8
• Strony: 267--271
• Opis fizyczny: Bibliogr. 15 poz.

Twórcy

autor

Cichosz P.

• Politechnika Warszawska, Instytut Systemów Elektronicznych

Bibliografia

• [1] Adomavicius G., Tuzhilin A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, 17, 734-749 (http://ieeexplore.ieee.org/xpl/free-abs_all.jsp?arnumber=1423975).
• [2] Billsus D., Pazzani M. J. (1998). Learning collaborative information filters. Proceedings of the 15th International Conference on Machine Learning, Morgan Kaufmann (http://citeseer.ist.psu.edu/billsus98learning.html).
• [3] Breese J. S., Heckerman D., Kadie C. (1998). Empirical analysis of predictive algorithms for collaborative filtering. Proceedings of the 14th Annual Conference on Uncertainty in Artificial Intelligence, (http://citeseer.ist.psu.edu/breese98empirical.html).
• [4] Cichosz P. (2007). Systemy uczące się. Wydawnictwa Naukowo-Techniczne.
• [5] Herlocker J., Konstan J., Borchers A., Riedl J. (1999). An algorithmic framework for performing collaborative filtering. Proceedings of the 1999 Conference on Research and Development in Information Retrieval, (http://web.engr.oregonstate.edu/~her-lock/papers/algs.pdf).
• [6] Lemire D., Maclachlan A. (2005). Slope One predictors for online rating based collaborative filtering. SIAM Data Mining SDM-05 (http://arxiv.org/abs/cs/0702144).
• [7] Melville P., Mooney R. J., Nagarajan R. (2002). Content-boosted collaborative filtering for improved recommendations. Proceedings of the 18th National Conference on Artificial Intelligence AAAI-02, (http://citeseer.ist.psu.edu/melville02content-boosted.html).
• [8] Miyahara J., Pazzani M. J. (2000). Collaborative filtering with the simple bayesian classifier. Proceedings of the Pacific Rim International Conference on Artificial Intelligence, (http://citeseer.istpsu.edu/miyahara00collaborative.html).
• [9] Mooney R. J., Roy L. (2000). Content-based book recommendation using learning for text categorizaton. Proceedings of the 5th ACM Conference on Digital Libraries, (http://citeseer.ist.psu.edu/296312.html).
• [10] Proceedings of the 2007 KDD Cup and Workshop (http://www.cs.uic.edu/~liub/KDD-cup-2007/proceedings.html).
• [11] Schafer J. B., Konstan J. A., Riedl J. (2001). E-Commerce recommendation applications. Data Mining and Knowledge Discovery, 5:115-153, (http://citeseer.ist.psu.edu/schafer01ecommerce.html).
• [12] Shardanand U., Maes P. (1995). Social information filtering: Algorithms for automating word of mouth. Proceedings of the ACM Conference on Human Factors in Computing Systems, (http://citeseer.ist.psu.edu/shardanand95social.html).
• [13] Shakhnarovich G., Darrell T., Indyk P. (Eds.) (2006) Nearest-Neighbor Methods in Learning and Vision: Theory and Practice. The MIT Press.
• [14] Wikipedia: Collaborative Filtering (http://en.wikipedia.org/wiki/ Collaborative_filtering).
• [15] Zhang S., Wang W., Ford J., Makedon F., Pearlman J. (2005). Using singular value decomposition approximation for collaborative filtering. Proceedings of the Seventh IEEE International Conference on E-Commerce Technology, (http://ieeexplore.ieee.orq/xpl/freeabs_all.jsp?arnumber=1524053).