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:
Advances in Rough and Soft Clustering: Meta-Clustering, Dynamic Clustering, Data-Stream Clustering Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Exploiting Group Pairwise Preference Influences for Recommendations

verfasst von : Kunlei Zhu, Jiajin Huang, Ning Zhong

Erschienen in: Rough Sets

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Recommender systems always recommend items to a user based on predicted ratings. However, due to biases of different users, it is not easy to know a user’s preference through the predicted ratings. This paper defines a user preference relationship based on the user’s ratings to improve the recommendation accuracy. By considering group information, we extend the preference relationship to form four types of correlations including (user, item), (user group, item), (user, item group), and (user group, item group). And then, this paper exploits pair-wise comparisons between two items or two group of items for a singer user or a group of users. The gradient descent algorithm is used to learn latent factors on partial orders to make recommendations. Experimental results show the effectiveness of the proposed method.

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 Outlier Detection and Elimination in Stream Data – An Experimental Approach
Nächstes Kapitel Discrete Group Search Optimizer for Community Detection in Social Networks
Literatur
1.
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
2.
Breese, J., Hecherman, D., Kadie, C.: Empirical analysis of predictive algorithms for collaborative filtering. In: Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence (UAI 1998), pp. 43–52 (1998)
3.
French, S.: Decision theory - an introduction to the mathematics of rationality. J. Am. Stat. Assoc. 29(2), 212–213 (1986)MathSciNetMATH
4.
Herlocker, J., Konstan, J.A., Terveen, L.G., Riedl, J.T.: Evaluating collaborative filtering recommender systems. ACM Trans. Inf. Syst. 22(1), 5–53 (2004)CrossRef
5.
Huang, J.J., Zhong, N., Yao, Y.Y.: A unified framework of targeted marketing using user preferences. Comput. Intell. 30(3), 451–472 (2014)MathSciNetCrossRef
6.
Koren, Y., Bell, R.M., Volinsky, C.: Matrix factorization techniques for recommender systems. IEEE Comput. 42(8), 30–37 (2009)CrossRef
7.
Li, X., Xu, G.D., Chen, E.H., Zhong, Y.: Learning recency based comparative choice towards point-of-interest recommendation. Expert Syst. Appl. 42(2015), 4274–4283 (2015)CrossRef
8.
Mashhoori, A., Hashemi, S.: Incorporating hierarchical information into the matrix factorization model for collaborative filtering. In: Pan, J.-S., Chen, S.-M., Nguyen, N.T. (eds.) ACIIDS 2012. LNCS (LNAI), vol. 7198, pp. 504–513. Springer, Heidelberg (2012). doi:10.​1007/​978-3-642-28493-9_​53 CrossRef
9.
Pan, W.K., Chen, L.: CoFiSet: collaborative filtering via learning pairwise preferences over item-sets. In: Proceedings of SIAM International Conference on Data Mining (SDM 2013), pp. 180–188 (2013)
10.
Pan, W.K., Chen, L.: Group preference based Bayesian personalized ranking for one-class collaborative filtering. In: Proceedings of the 23rd International Joint Conference on Artificial Intelligence (IJCAI 2013), pp. 2691–2697 (2013)
11.
Rendle, S., Freudenthaler, C., Gantner, Z., Schmidt-Thieme, L.: Bayesian personalized ranking from implicit feedback. In: Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (UAI 2009), pp. 452–461 (2009)
12.
Sarwar, B., Karypis, G., Konstan, J., Riedl, J.: Item-based collaborative filtering recommendation algorithms. In: Proceedings of the 10th International World Wide Web Conference (WWW 2001), pp. 285–295 (2001)
13.
Wang, X., Pan, W.K., Xu, C.: Hierarchical group matrix factorization for collaborative recommendation. In: Proceedings of the 23rd ACM International Conference on Information and Knowledge Management (CIKM ), pp. 769–778 (2014)
14.
Tran, T., Phung, D., Venkatesh, S.: Modelling human preferences for ranking and collaborative filtering: a probabilistic ordered partion approach. Knowl. Inf. Syst. 74(1), 157–188 (2016)CrossRef
Metadaten
Titel
Exploiting Group Pairwise Preference Influences for Recommendations
verfasst von
Kunlei Zhu
Jiajin Huang
Ning Zhong
Copyright-Jahr
2016
Buch
Rough Sets

Print ISBN: 978-3-319-47159-4

Electronic ISBN: 978-3-319-47160-0

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-47160-0_39