Transformation of "user-object" matrix for the collaborative filtering

• Autorzy: Savchuk T. , Sakaliuk A. , Wójcik W. , Burlibay A.

Identyfikatory

DOI

10.12915/pe.2014.01.13

Warianty tytułu

PL

Przekształcenie macierzy "user-object" w filtrowaniu kolaboracjnym

• Języki publikacji: EN

Abstrakty

EN

The paper is devoted to application of collaborative filtering that is one of the method of automatic data filtering in the Internet. The main disadvantage of the approach is the necessity of performing a large number of operations. The authors have presented a mean of overcoming this problem by reduction of the dimension of the input matrix. Experimental results show that it had led not only to reduction of computational time, but also increased the accuracy of recommendations obtained.

PL

Artykuł poświęcony jest filtrowaniu kolaboracyjnemu, które jest jedną z metod automatycznej filtracji danych w sieci Internet. Główną wadą wspomnianego podejścia jest konieczność wykonywania bardzo dużej liczby operacji. Autorzy przedstawili rozwiązanie tego problemu polegający na redukcji wymiarowości przetwarzanej macierzy. Rezultaty badań pokazują, że oprócz zmniejszenia czasu obliczeń, uzyskano poprawę dokładności uzyskiwanych rekomendacji.

Słowa kluczowe

EN

data mining; sparse matrices; recommender system; collaborative filtering

PL

eksploracja danych; macierze rzadkie; systemy rekomendujące; filtrowanie kolaboracyjne

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2014
• Tom: R. 90, nr 1
• Strony: 55--59
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Savchuk T.

• Vinnitsa National Technical University, Ukraina

autor

Sakaliuk A.

• Vinnitsa National Technical University, Ukraina

autor

Wójcik W.

• Lublin University of Technology, Poland

autor

Burlibay A.

• Kazakh National Technical University after K. I. Satpaev, Ałmaty, Kazakhstan

Bibliografia

• 1. Savchuk Т.О., Sakaliuk А.V., Use of cluster analysis for the improvement of an algorithm for collaborative filtering, Visnuk Khmelnytskogo natsionalnogo universytetu, nr 1 (2011), 186-192
• 2. Xiaoyuan Su., A Survey of Collaborative Filtering Techniques, Hindawi Publishing Corporation USA (2009)
• 3. Segaran Т., Programmed collective mind, Simvol-Plus (2008)
• 4. Marlin B., Collaborative Filtering a Machine Learning Perspective, National Library of Canada (2004)
• 5. Mobasher B., Recommender systems, Kunstliche Intelligenz, Special Issue on Web Mining, vol. 3 (2007), 41–43
• 6. Billsus D., Pazzani M.J., Learning collaborative information filters. Proceedings of the Fifteenth National Conference on Artificial Intelligence, (2007), 46-53
• 7. Deshpande M., Karypis G., Item-based top-n recommendation algorithms. ACM Trans. Inf. Syst., 22(1), (2004), 143–177
• 8. Rudenko О.G., Bodianskyi Е.V., Artificial neuron networks, Kharkiv (2005)
• 9. Kogan J., Nicholas C., Teboulle M., Clustering Large and High Dimensional Data electronic resource. Access mode: http://www/csee/umbc/edu/nicolas/clustering/tutorial.pdf
• 10. Savchuk Т.О., Sakaliuk А.V., Decreasing the matrix dimentions «User-Object» during the collaborative filtering, Proceedings of the international conference «Internet – Education – Science 2012», Vinnytsia (2012), 45
• 11. Ning Ye, Shuo Zhang, Xia Huang, Jian Zhu, Collaborative Filtering Recommendation Algorithm Based on Item Clustering and Global Similarity, Fifth International Conference Business Intelligence and Financial Engineering (BIFE), (2012), 69-72
• 12. Weiliang Kong, Qingtang Liu, Zhongkai Yang, Shuyun Han, Collaborative Filtering Algorithm Incorporated with Clusterbased Expert Selection, National Engineering Research Center for E-learning, Central China Normal University.