論文の概要: Utilizing Collaborative Filtering in a Personalized Research-Paper Recommendation System
- arxiv url: http://arxiv.org/abs/2409.19267v1
- Date: Sat, 28 Sep 2024 06:47:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 14:30:29.245270
- Title: Utilizing Collaborative Filtering in a Personalized Research-Paper Recommendation System
- Title（参考訳）: パーソナライズされた研究論文レコメンデーションシステムにおける協調フィルタリングの利用
- Authors: Mahamudul Hasan, Anika Tasnim Islam, Nabila Islam,
- Abstract要約: リサーチペーパーレコメンデーションシステム(リサーチペーパーレコメンデーションシステム)は、共通の研究関心を持つ人々向けに開発されたシステムである。
対象ユーザ調査論文の上位nの類似ユーザを対象に,提案したレコメンデーションを作成した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Recommendation system is such a platform that helps people to easily find out the things they need within a few seconds. It is implemented based on the preferences of similar users or items. In this digital era, the internet has provided us with huge opportunities to use a lot of open resources for our own needs. But there are too many resources on the internet from which finding the precise one is a difficult job. Recommendation system has made this easier for people. Research-paper recommendation system is a system that is developed for people with common research interests using a collaborative filtering recommender system. In this paper, coauthor, keyword, reference, and common citation similarities are calculated using Jaccard Similarity to find the final similarity and to find the top-n similar users. Based on the test of top-n similar users of the target user research paper recommendations have been made. Finally, the accuracy of our recommendation system has been calculated. An impressive result has been found using our proposed system.
- Abstract（参考訳）: レコメンデーションシステムは、必要なものを数秒で簡単に見つけ出せるようなプラットフォームです。
類似のユーザやアイテムの好みに基づいて実装される。
このデジタル時代には、インターネットは私たち自身のニーズに多くのオープンリソースを使う大きな機会を与えてくれました。
しかし、インターネット上にはリソースが多すぎるため、正確なリソースを見つけることは難しい仕事だ。
レコメンデーションシステムは、これを人々に簡単にしました。
リサーチペーパーレコメンデーションシステムは,共同フィルタリングレコメンデーションシステムを用いて,共通の研究関心を持つ人々を対象としたシステムである。
本稿では、Jaccard similarityを用いて共著者、キーワード、参照、共通引用類似性を算出し、最終的な類似性を見つけ、トップnの類似ユーザを見つける。
対象ユーザ調査論文の上位nの類似ユーザを対象に,提案したレコメンデーションを作成した。
最後に,提案手法の精度を算出した。
提案システムを用いて, 顕著な結果が得られた。
関連論文リスト
- Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems [0.0]
本研究では,イランにおける大規模レコメンデーションシステムの比較分析を行った。
このシステムは、コンテンツベース、協調フィルタリング、トレンドベース手法、ハイブリッドアプローチを用いた、ユーザベースおよびアイテムベースのレコメンデーションを採用している。
評価方法は,手動による評価,ヒットレート@kやnDCGなどの評価指標を含むオフラインテスト,クリックスルーレート(CTR)によるオンラインテストなどである。
論文 参考訳（メタデータ） (2024-11-02T20:05:31Z) - Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳（メタデータ） (2023-10-28T06:31:06Z) - Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。
そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。
以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文 参考訳（メタデータ） (2023-05-18T15:37:38Z) - Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。
我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。
どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
論文 参考訳（メタデータ） (2022-11-23T22:20:12Z) - Tag-Aware Document Representation for Research Paper Recommendation [68.8204255655161]
本稿では,ユーザによって割り当てられたソーシャルタグに基づいて,研究論文の深い意味表現を活用するハイブリッドアプローチを提案する。
提案手法は,評価データが極めて少ない場合でも研究論文の推薦に有効である。
論文 参考訳（メタデータ） (2022-09-08T09:13:07Z) - A Review on Pushing the Limits of Baseline Recommendation Systems with
the integration of Opinion Mining & Information Retrieval Techniques [0.0]
Recommendation Systemsでは、利用者の期待にタイムリーかつ関連性がありながら、コミュニティ内のトレンドアイテムを識別することができる。
より優れた品質のレコメンデーションを達成するために、ディープラーニングの手法が提案されている。
研究者たちは、最も効果的なレコメンデーションを提供するために、標準レコメンデーションシステムの能力を拡大しようと試みている。
論文 参考訳（メタデータ） (2022-05-03T22:13:33Z) - Photos Are All You Need for Reciprocal Recommendation in Online Dating [1.90365714903665]
本稿では,ユーザの嗜好履歴を解釈し,これを用いてレコメンデーションを行う新しい方法を提案する。
我々は、リカレントニューラルネットワークをトレーニングし、ユーザの嗜好を学習し、相互選好関係の予測を行う。
本システムは,コンテンツベースおよび協調フィルタリングシステムにおいて,技術状況において著しく優れる。
論文 参考訳（メタデータ） (2021-08-26T11:38:23Z) - Developing a Conversational Recommendation System for Navigating Limited
Options [0.0]
我々は,ユーザが最適な選択肢を見つけるために,限られた選択肢をナビゲートするのに役立つような対話型レコメンデーションシステムを開発した。
特定の検索語を用いて数千からランク付けされたオプションのリストを返す多くのインターネットスケールシステムとは異なり、本システムはユーザの好みを深く理解するためにマルチターンユーザーダイアログを使用する。
論文 参考訳（メタデータ） (2021-04-13T23:46:10Z) - Survey for Trust-aware Recommender Systems: A Deep Learning Perspective [48.2733163413522]
信頼できるレコメンデーションシステムを採用することが重要になります。
本調査では,信頼を意識したレコメンデータシステムの3つのカテゴリについて概説する。
論文 参考訳（メタデータ） (2020-04-08T02:11:55Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。