دوره 20، شماره 4 - ( 12-1402 )
جلد 20 شماره 4 صفحات 106-89 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
mohammadi S, aghazarian V, hedayati A. Using movie genres and Demographic Information to improve movie recommendation systems. JSDP 2024; 20 (4) : 6
URL: http://jsdp.rcisp.ac.ir/article-1-1332-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1332-fa.html
محمدی صمد، آغازاریان واهه، هدایتی علیرضا. بهره برداری از ژانرهای فیلم و داده‌های کاربران به منظور بهبود سامانه های توصیه فیلم. پردازش علائم و داده‌ها. 1402; 20 (4) :89-106
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران
چکیده: (277 مشاهده)
سامانههای توصیه فیلم ابزارهای کارآمدی هستند که به کاربران کمک می‌کنند فیلم‌های مورد علاقه خود را با بررسی علایق قبلی کاربران پیدا کنند. این سامانه‌ها بر اساس امتیاز کاربران به فیلم‌های گذشته و استفاده از آنها برای پیش‌بینی علایق آنها در آینده ایجاد شده‌اند؛ با این حال، امتیازدهی نامناسبی که کاربران ارائه می‌دهند، منجر به ایجاد مشکلی به نام پراکندگی داده می‌شود. این مشکل موجب کاهش کارایی سامانههای توصیه فیلم می‌شود. از سوی دیگر، سایر داده‌های موجود مانند ژانر فیلم‌ها و اطلاعات جمعیت‌شناختی کاربران، نقش حیاتی در کمک به روش‌های توصیه‌کننده برای تولید بهتر توصیه‌ها دارند. این مقاله یک روش توصیه فیلم را با استفاده از ژانرهای فیلم و اطلاعات جمعیت‌شناختی کاربران پیشنهاد می‌کند. همچنین ما مدلی کارآمد جهت ارزیابی پروفایل امتیازدهی کاربر و تعیین کمینه امتیاز مورد نیاز برای تولید یک پیش‌بینی دقیق را پیشنهاد می‌کنیم؛ سپس، امتیازات مجازی مناسب با پروفایل‌هایی که امتیازات نامناسبی دارند ترکیب می‌شوند. این امتیازدهی مجازی با استفاده از شباهت مقادیر بین کاربران به‌دست‌آمده از ژانرهای فیلم و اطلاعات جمعیت‌شناختی کاربران محاسبه می‌شوند؛ علاوه بر این، یک معیار مفید برای تعیین میزان قابل‌اعتماد بودن یک بخش معرفی شده‌است که قابلیت اطمینان امتیازدهی مجازی را تضمین می‌کند؛ درنهایت، امتیازهای ناشناخته برای کاربر هدف براساس پروفایل‌های امتیازدهی توسعه‌یافته پیش‌بینی می‌شوند. آزمایش‌های انجام‌شده بر روی دو مجموعه‌داده توصیه فیلم معروف نشان‌می‌دهد که رویکرد پیشنهادی کارآمدتر از سایر توصیه‌کننده‌های مقایسه شده‌است.
شماره‌ی مقاله: 6
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1401/5/19 | پذیرش: 1402/3/12 | انتشار: 1403/2/6 | انتشار الکترونیک: 1403/2/6
دریافت: 1401/5/19 | پذیرش: 1402/3/12 | انتشار: 1403/2/6 | انتشار الکترونیک: 1403/2/6
فهرست منابع
1. 1] H. A. Rahmani, M. Aliannejadi, S. Ahmadian, M. Baratchi, M. Afsharchi, and F. Crestani, "LGLMF: local geographical based logistic matrix factorization model for POI recommendation, " in AIRS 2019: Information Retrieval Technology, 2019, pp. 66-78. [DOI:10.1007/978-3-030-42835-8_7]
2. [2] P. Moradi, F. Rezaimehr, S. Ahmadian, and M. Jalili, "A trust-aware recommender algorithm based on users overlapping community structure, " in 2016 sixteenth international conference on advances in ICT for emerging regions (ICTer), 2016, pp. 162-167. [DOI:10.1109/ICTER.2016.7829914]
3. [3] H. Xia, X. Wei, W. An, Z. J. Zhang, and Z. Sun, "Design of electronic-commerce recommendation systems based on outlier mining, " Electronic Markets, vol. 31, pp. 295-311, 2021. [DOI:10.1007/s12525-020-00435-2]
4. [4] G. Wei, Q. Wu, and M. Zhou, "A hybrid probabilistic multiobjective evolutionary algorithm for commercial recommendation systems, " IEEE Transactions on Computational Social Systems, vol. 8, pp. 589-598, 2021. [DOI:10.1109/TCSS.2021.3055823]
5. [5] D. Wang, Y. Yih, and M. Ventresca, "Improving neighbor-based collaborative filtering by using a hybrid similarity measurement, " Expert Systems with Applications, vol. 160, p. 113651, 2020. [DOI:10.1016/j.eswa.2020.113651]
6. [6] T. Qu, W. Wan, and S. Wang, "Visual content-enhanced sequential recommendation with feature-level attention, " Neurocomputing, vol. 443, pp. 262-271, 2021. [DOI:10.1016/j.neucom.2021.02.037]
7. [7] H. Li and D. Han, "A time-aware hybrid recommendation scheme combining content-based and collaborative filtering, " Frontiers of Computer Science, vol. 15, p. 154613 2021. [DOI:10.1007/s11704-020-0028-7]
8. [8] P. Moradi, S. Ahmadian, and F. Akhlaghian, "An effective trust-based recommendation method using a novel graph clustering algorithm, " Physica A: Statistical mechanics and its applications, vol. 436, pp. 462-481, 2015. [DOI:10.1016/j.physa.2015.05.008]
9. [9] F. Rezaeimehr, P. Moradi, S. Ahmadian, N. N. Qader, and M. Jalili, "TCARS: Time-and community-aware recommendation system, " Future Generation Computer Systems, vol. 78, pp. 419-429, 2018. [DOI:10.1016/j.future.2017.04.003]
10. [10] X. Yuan, L. Han, S. Qian, L. Zhu, J. Zhu, and H. Yan, "Preliminary data-based matrix factorization approach for recommendation, " Information Processing & Management, vol. 58, p. 102384, 2021. [DOI:10.1016/j.ipm.2020.102384]
11. [11] S. Ahmadian, M. Meghdadi, and M. Afsharchi, "Incorporating reliable virtual ratings into social recommendation systems, " Applied Intelligence, vol. 48, pp. 4448-4469, 2018. [DOI:10.1007/s10489-018-1219-x]
12. [12] S. Ahmadian, M. Afsharchi, and M. Meghdadi, "An effective social recommendation method based on user reputation model and rating profile enhancement, " Journal of Information Science, vol. 45, pp. 607-642, 2019. [DOI:10.1177/0165551518808191]
13. [13] F. Tahmasebi, M. Meghdadi, S. Ahmadian, and K. Valiallahi, "A hybrid recommendation system based on profile expansion technique to alleviate cold start problem, " Multimedia Tools and Applications, vol. 80, pp. 2339-2354, 2021. [DOI:10.1007/s11042-020-09768-8]
14. [14] S. Ahmadian, M. Afsharchi, and M. Meghdadi, "A novel approach based on multi-view reliability measures to alleviate data sparsity in recommender systems, " Multimedia tools and applications, vol. 78, pp. 17763-17798, 2019. [DOI:10.1007/s11042-018-7079-x]
15. [15] S. Ahmadian, N. Joorabloo, M. Jalili, and M. Ahmadian, "Alleviating data sparsity problem in time-aware recommender systems using a reliable rating profile enrichment approach, " Expert Systems with Applications, p. 115849, 2021. [DOI:10.1016/j.eswa.2021.115849]
16. [16] S. Ahmadian, P. Moradi, and F. Akhlaghian, "An improved model of trust-aware recommender systems using reliability measurements, " in 2014 6th Conference on Information and Knowledge Technology (IKT), 2014, pp. 98-103. [DOI:10.1109/IKT.2014.7030341]
17. [17] S. Ahmadian, N. Joorabloo, M. Jalili, M. Meghdadi, M. Afsharchi, and Y. Ren, "A temporal clustering approach for social recommender systems, " in 2018 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), 2018, pp. 1139-1144. [DOI:10.1109/ASONAM.2018.8508723]
18. [18] B. Chen, Y. Ding, X. Xin, Y. Li, Y. Wang, and D. Wang, "AIRec: Attentive intersection model for tag-aware recommendation, " Neurocomputing, vol. 421, pp. 105-114, 2021. [DOI:10.1016/j.neucom.2020.08.018]
19. [19] Z. Y. Khan, Z. Niu, A. S. Nyamawe, and I. Haq, "A deep hybrid model for recommendation by jointly leveraging ratings, reviews and metadata information, " Engineering Applications of Artificial Intelligence, vol. 97, p. 104066, 2021. [DOI:10.1016/j.engappai.2020.104066]
20. [20] A. Breitfuss, K. Errou, A. Kurteva, and A. Fensel, "Representing emotions with knowledge graphs for movie recommendations, " Future Generation Computer Systems, vol. 125, pp. 715-725, 2021. [DOI:10.1016/j.future.2021.06.001]
21. [21] U. Thakker, R. Patel, and M. Shah, "A comprehensive analysis on movie recommendation system employing collaborative filtering, " Multimedia Tools and Applications, vol. 80, pp. 28647-28672, 2021. [DOI:10.1007/s11042-021-10965-2]
22. [22] B. Walek and V. Fojtik, "A hybrid recommender system for recommending relevant movies using an expert system, " Expert Systems with Applications, vol. 158, p. 113452, 2020. [DOI:10.1016/j.eswa.2020.113452]
23. [23] H. Tahmasebi, R. Ravanmehr, and R. Mohamadrezaei, "Social movie recommender system based on deep autoencoder network using Twitter data, " Neural Computing and Applications, vol. 33, pp. 1607-1623, 2021. [DOI:10.1007/s00521-020-05085-1]
24. [24] R. Katarya and O. P. Verma, "An effective collaborative movie recommender system with cuckoo search, " Egyptian Informatics Journal, vol. 18, pp. 105-112, 2017. [DOI:10.1016/j.eij.2016.10.002]
25. [25] K. Indira and M. K. Kavithadevi, "Efficient machine learning model for movie recommender systems using multi-cloud environment, " Mobile Networks and Applications, vol. 24, pp. 1872-1882, 2019. [DOI:10.1007/s11036-019-01387-4]
26. [26] M. Gan and H. Cui, "Exploring user movie interest space: A deep learning based dynamic recommendation model, " Expert Systems with Applications, vol. 173, p. 114695, 2021. [DOI:10.1016/j.eswa.2021.114695]
27. [27] Y. L. Chen, Y. H. Yeh, and M. R. Ma, "A movie recommendation method based on users' positive and negative profiles, " Information Processing & Management, vol. 58, p. 102531, 2021. [DOI:10.1016/j.ipm.2021.102531]
28. [28] A. Roy and S. A. Ludwig, "Genre based hybrid filtering for movie recommendation engine, " Journal of Intelligent Information Systems, vol. 56, pp. 485-507, 2021. [DOI:10.1007/s10844-021-00637-w]
29. [29] F. Ortega, R. L. Cabrera, Á. G. Prieto, and J. Bobadilla, "Providing reliability in recommender systems through Bernoulli Matrix Factorization, " Information Sciences, vol. 553, pp. 110-128, 2021. [DOI:10.1016/j.ins.2020.12.001]
30. [30] P. Moradi and S. Ahmadian, "A reliability-based recommendation method to improve trust-aware recommender systems, " Expert Systems with Applications, vol. 42, pp. 7386-7398, 2015. [DOI:10.1016/j.eswa.2015.05.027]
31. [31] L. Huang, H. Ma, X. He, and L. Chang, "Multi-affect (ed): improving recommendation with similarity-enhanced user reliability and influence propagation, " Frontiers of Computer Science, vol. 15, p. 155331, 2021. [DOI:10.1007/s11704-020-9511-4]
32. [32] C. A. Zayani, L. Ghorbel, I. Amous, M. Mezghanni, A. Péninou, and F. Sèdes, "Profile reliability to improve recommendation in social-learning context, " Online Information Review, vol. 44, pp. 433-454, 2020. [DOI:10.1108/OIR-02-2017-0068]
33. [33] Y. Jiang, H. Ma, Y. Liu, and Z. Li, "Exploring user trust and reliability for recommendation: A hypergraph ranking approach, " in International Conference on Neural Information Processing, 2020, pp. 333-344. [DOI:10.1007/978-3-030-63833-7_28]
34. [34] S. Alonso, J. Bobadilla, F. Ortega, and R. Moya, "Robust model-based reliability approach to tackle shilling attacks in collaborative filtering recommender systems, " IEEE Access, vol. 7, pp. 41782-41798, 2019. [DOI:10.1109/ACCESS.2019.2905862]
35. [35] H. Xie and J. C. S. Lui, "Mathematical modeling and analysis of product rating with partial information, " ACM Transactions on Knowledge Discovery from Data, vol. 9, pp. 1-33, 2015. [DOI:10.1145/2700386]
36. [36] C. M. Bishop, Pattern recognition and machine learning: Springer-Verlag New York, 2006.
37. [37] J. Matoussek and J. Vondrak, The Probabilistic Method: Charles University, 2001.
38. [38] R. Salakhutdinov and A. Mnih, "Probabilistic matrix factorization, " in NIPS'07: Proceedings of the 20th International Conference on Neural Information Processing Systems, 2007, pp. 1257-1264.
39. [39] N. D. Lawrence and R. Urtasun, "Non-linear matrix factorization with Gaussian processes, " in ICML '09 Proceedings of the 26th Annual International Conference on Machine Learning, Montreal, Quebec, Canada, 2009, pp. 601-608. [DOI:10.1145/1553374.1553452]
40. [40] N. Polatidis and C. K. Georgiadis, "A multi-level collaborative filtering method that improves recommendations, " Expert Systems with Applications, vol. 48, pp. 100-110, 2016. [DOI:10.1016/j.eswa.2015.11.023]
41. [41] V. Formoso, D. Fernández, F. Cacheda, and V. Carneiro, "Using profile expansion techniques to alleviate the new user problem, " Information Processing and Management, vol. 49, pp. 659-672, 2013. [DOI:10.1016/j.ipm.2012.07.005]
42. [42] L. Huang, W. Tan, and Y. Sun, "Collaborative recommendation algorithm based on probabilistic matrix factorization in probabilistic latent semantic analysis, " Multimedia Tools and Applications, vol. 78, pp. 8711-8722, 2019. [DOI:10.1007/s11042-018-6232-x]
43. [43] S. Natarajan, S. Vairavasundaram, S. Natarajan, and A. H. Gandomi, "Resolving data sparsity and cold start problem in collaborative filtering recommender system using Linked Open Data, " Expert Systems with Applications, vol. 149, p. 113248, 2020. [DOI:10.1016/j.eswa.2020.113248]
44. [44] T. Widiyaningtyas, I. Hidayah, and T. B. Adji, "User profile correlation-based similarity (UPCSim) algorithm in movie recommendation system, " Journal of Big Data, vol. 8, pp. 1-21, 2021. [DOI:10.1186/s40537-021-00425-x]
45. [45] ربی انگورانی، مهرداد، "ارائه راهکاری کارآمد برای سامانههای توصیهگر با حفظ تنوع آرا"،1396، پایان‌نامه دانشگاه شیراز، کتابخانه دانشگاه شیراز.
46. [46] Geetha, G., et al. "A hybrid approach using collaborative filtering and content based filtering for recommender system." Journal of Physics: Conference Series. Vol. 1000. No. 1. IOP Publishing, 2018. [DOI:10.1088/1742-6596/1000/1/012101]
47. [47] عباسی مقدم، سمانه، "روشی برای بهبود سامانههای توصیهگر بر اساس شبکه اعتماد "،1387، پایان¬نامه دانشگاه صنعتی شریف، کتابخانه دانشگاه صنعتی شریف.
48. [48] Alhijawi, Bushra, and Yousef Kilani. "A collaborative filtering recommender system using genetic algorithm." Information Processing & Management 57.6 (2020): 102310. [DOI:10.1016/j.ipm.2020.102310]
49. [49] گوهری، فائزه سادات، "بهبود سامانههای توصیهگر پالایش جمعی با بهره¬گیری از شبکه اعتماد ضمنی "،1395، پایان¬نامه دانشگاه شهید بهشتی، کتابخانه دانشگاه شهید بهشتی.
50. [50] Rajendran, Dixon Prem Daniel, and Rangaraja P. Sundarraj. "Using topic models with browsing history in hybrid collaborative filtering recommender system: Experiments with user ratings." International Journal of Information Management Data Insights 1.2 (2021): 100027. [DOI:10.1016/j.jjimei.2021.100027]
51. [51] بلوکی، امیدرضا، "شخصی سازی فرآیند آموزشی بهکمک سامانهای توصیه گر مبتنی بر مدل احساسی کاربر"،1399، پایان نامه دانشگاه صنعتی امیرکبیر، کتابخانه دانشگاه صنعتی امیرکبیر.
52. [52] مهدوی، مهرگان، "استفاده‌ی موثر از سامانه های توصیهگر جهت ارائة توصیه¬های شخصی¬سازی شده "،1399، پایان¬نامه دانشگاه فردوسی مشهد، کتابخانه دانشگاه فردوسی مشهد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
