Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Vehicle Detection Using Alex Net and Faster R-CNN Deep Learning Models: A Comparative Study Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

An Ontology-Based Hybrid Recommender System for Internet Protocol Television

verfasst von : Mohammad Wahiduzzaman Khan, Gaik-Yee Chan, Fang-Fang Chua, Su-Cheng Haw

Erschienen in: Advances in Visual Informatics

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Internet Protocol Television (IPTV) has gained popularity in providing TV channels and program choices to broad range of user. The service providers are attempting ways to attract more users’ subscription and as from user point of view, they would like to have channel or program recommendations based on their preferences as well as public suggestions. This motivates us to propose an ontology-based hybrid recommender system. This system applies content-based and collaborative filtering in IPTV domain to increase users’ satisfaction. The preliminary experimental results show that our proposed system works more effectively by eliminating the cold-start problem, over specialization, data sparsity and new item problems and efficiently by using the ontological user profile for computation of recommendations.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Association Rule Mining Using Time Series Data for Malaysia Climate Variability Prediction
Nächstes Kapitel Self-Regulated Learning and Online Learning: A Systematic Review
Literatur
1.
Shardanand, U., Maes, P.: Social information filtering: algorithms for automating “word of mouth”. In: Human Factors in Computing Systems Conference, pp. 210–217 (1995)
2.
Billsus, D., Pazzani, M.J.: Learning collaborative information filters. In: 5th International Conference on Machine Learning, pp. 46–54 (1998)
3.
Pazzani, M.J.: A framework for collaborative, content-based, and demographic filtering. Artif. Intell. Rev. 13, 393–408 (1999)CrossRef
4.
Burke, R.: Hybrid recommender systems: survey and experiments. User Model. User-Adap. Inter. 12(4), 331–370 (2002)CrossRefMATH
5.
Pazzani, M.J., Billsus, D.: Content-based recommendation systems. In: Brusilovsky, P., Kobsa, A., Nejdl, W. (eds.) The Adaptive Web. LNCS, vol. 4321, pp. 325–341. Springer, Heidelberg (2007). doi:10.​1007/​978-3-540-72079-9_​10 CrossRef
6.
Cantador, I., Bellogín, A., Castells, P.: A multilayer ontology-based hybrid recommendation model. AI Commun. 21(2–3), 203–210 (2008)MATHMathSciNet
7.
8.
Bambini, R., Cremonesi, P., Turrin, R.: A recommender system for an IPTV service provider: a real large-scale production environment. In: Ricci, F., Rokach, L., Shapira, B., Kantor, P. (eds.) Recommender Systems Handbook, pp. 299–300. Springer, Boston (2011). doi:10.​1007/​978-0-387-85820-3_​9 CrossRef
9.
Park, D.H., Kim, H.K., Choi, I.Y., Kim, J.K.: A literature review and classification of recommender systems research. Expert Syst. Appl. 39, 10059–100072 (2012)CrossRef
10.
Carrer-Neto, W., Hernandez-Alcaraz, M.L., Valencia-Garcia, R., Garcia-Sanchez, F.: Social knowledge-based recommender system. Application to the movies domain. Expert Syst. Appl. 39, 10990–11000 (2012)CrossRef
11.
Pripuzic, K., Zarko, I.P., Podobnik, V. Lovrek, I.,Cavka, M., Petkovic, I., Stulic, P., Gojceta, M.: Building an IPTV VoD recommender system: an experience report. In: 12th International Conference on Telecommunications, pp. 155–162. IEEE (2013)
12.
Zhang, Z., Gong, L., Xie, J.: Ontology-based collaborative filtering recommendation algorithm. In: Liu, D., Alippi, C., Zhao, D., Hussain, A. (eds.) BICS 2013. LNCS, vol. 7888, pp. 172–181. Springer, Heidelberg (2013). doi:10.​1007/​978-3-642-38786-9_​20 CrossRef
13.
Bahramian, Z., Abbaspour, R.A.: An Ontology-based tourism recommender system based on spreading activation model. In: International Conference on Sensors and Models in Remote Sensing and Photogrammetry, pp. 83–90 (2015)
14.
Adomavicius, G., Tuzhilin, A.: Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE Trans. Knowl. Data Eng. 17(6), 734–749 (2005)CrossRef
15.
Rashid, A.M., Albert, I., Cosley, D., Lam, S.K., McNee, S.M., Konstan, J.A., Riedl, J.: Getting to know you: learning new user preferences in recommender systems. In: International Conference of Intelligent User Interfaces, pp. 127–134 (2002)
16.
Metadaten
Titel
An Ontology-Based Hybrid Recommender System for Internet Protocol Television
verfasst von
Mohammad Wahiduzzaman Khan
Gaik-Yee Chan
Fang-Fang Chua
Su-Cheng Haw
Copyright-Jahr
2017
Buch
Advances in Visual Informatics

Print ISBN: 978-3-319-70009-0

Electronic ISBN: 978-3-319-70010-6

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-70010-6_13