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:
Development of a Web Based Framework to Objectively Compare and Evaluate Software Solutions Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Hierarchical Clustering for Collaborative Filtering Recommender Systems

verfasst von : César Inga Chalco, Rodolfo Bojorque Chasi, Remigio Hurtado Ortiz

Erschienen in: Advances in Artificial Intelligence, Software and Systems Engineering

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Nowadays, the Recommender Systems (RS) that use Collaborative Filtering (CF) are objects of interest and development. CF allows RS to have a scalable filtering, vary metrics to determine the similarity between users and obtain very precise recommendations when using dispersed data. This paper proposes an RS based in Agglomerative Hierarchical Clustering (HAC) for CF. The databases used for the experiments are released and of high dispersion. We used five HAC methods in order to identify which method provides the best results, we also analyzed similarity metrics such as Pearson Correlation (PC) and Jaccard Mean Square Difference (JMSD) versus Euclidean distance. Finally, we evaluated the results of the proposed algorithm through precision, recall and accuracy.

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 User Input-Based Construction of Personal Knowledge Graphs
Nächstes Kapitel Decision Rules Mining with Rough Set
Literatur
1.
Galán, S.M.: Filtrado Colaborativo y Sistemas de Recomendación, IRC 2007, Univ. Carlos III Madrid, pp. 1–8 (2007)
2.
Zinke, C., Meyer, K., Friedrich, J., Reif, L.: Digital social learning – collaboration and learning in enterprise social networks, vol. 596, pp. 3–11 (2018)
3.
Covington, M.J., Carskadden, R.: Threat implications of the internet of things. In: 2013 5th International Conference Cyber Conflict, pp. 1–12 (2013)
4.
Goebel, R.: Lecture Notes in Artificial Intelligence Subseries of Lecture Notes in Computer Science LNAI Series Editors (2012)
5.
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
6.
Herlocker, J.L., Konstan, J.A., Terveen, L.G., Riedl, J.T.: Evaluating collaborative filtering recommender systems. ACM Trans. Inf. Syst. 22(1), 5–53 (2004)CrossRef
7.
Melville, P., Mooney, R.J., Nagarajan, R.: Content-boosted collaborative filtering for improved recommendations, no. July (2002)
8.
Hartigan, J.A., Wong, M.A.: Algorithm AS 136 : A K-Means Clustering Algorithm. J. Roy. Stat. Soc. Ser. C Appl. Stat. 28(1), 100–108 (2016). http://​www.​jstor.​org/​stable/​2346830. Published by : Wiley for the Royal Statistical Society Stable
9.
Ortega, J.P., del Rocio Boone Rojas, M., Somodevilla Garcia, M.J.: Research issues on K-means algorithm : an experimental trial using matlab. In: Proceedings of 2nd Working Semantic Web New Technologies, pp. 83–96 (2009)
10.
Fränti, P., Virmajoki, O., Hautamäki, V.: Fast agglomerative clustering using a k-nearest neighbor graph. IEEE Trans. Pattern Anal. Mach. Intell. 28(11), 1875–1881 (2006)CrossRef
11.
Menon, A.K., Chitrapura, K.-P., Garg, S., Agarwal, D., Kota, N.: Response prediction using collaborative filtering with hierarchies and side-information. In: Proceedings of 17th ACM SIGKDD International Conference Knowledge Discovery Data Mining - KDD 2011, p. 141 (2011)
12.
Ekstrand, M.D., Riedl, J.T., Konstan, J.A.: Collaborative filtering recommender systems. Found. Trends® Hum.–Comput. Interact. 4(2), 10–14 (2011)
13.
Pham, M.C., Cao, Y., Klamma, R., Jarke, M.: A clustering approach for collaborative filtering recommendation using social network analysis. J. Univers. Comput. Sci. 17(4), 1–21 (2011)
14.
Müllner, D.: Modern hierarchical, agglomerative clustering algorithms, no. 1973, pp. 1–29 (2011)
15.
Yang, Z., Yang, D., Dyer, C., He, X., Smola, A., Hovy, E.: Hierarchical attention networks for document classification. In: Proceedings of 2016 Conference North American Chapter Association Computational Linguistics Human Language Technologies, pp. 1480–1489 (2016)
16.
Murtagh, F., Legendre, P.: Ward’s Hierarchical Clustering Method: Clustering Criterion and Agglomerative Algorithm, no. June, pp. 1–20 (2011)
17.
Jamain, A., Hand, D.: Mining supervised classification performance studies: a meta-analytic investigation. J. Classif. 112, 87–112 (2008)MathSciNetCrossRef
18.
Bojorque, R., Hurtado, R.: Técnicas híbridas en Sistemas de Recomendación para optimizar el Modelo Non Negative Matrix Factorization. Universidad Politécnica de Madrid (2017)
19.
Zahra, S., Ghazanfar, M.A., Khalid, A., Azam, M.A., Naeem, U., Prugel-Bennett, A.: Novel centroid selection approaches for KMeans-clustering based recommender systems. Inf. Sci. (Ny) 320, 156–189 (2015)MathSciNetCrossRef
20.
Hernández del Olmo, F., Gaudioso, E.: Evaluation of recommender systems: a new approach. Expert Syst. Appl. 35(3), 790–804 (2008)CrossRef
21.
Ricci, F.: Recommender Systems Handbook, 1003 p. Springer Science+Business Media, New York (2015). ISBN 978-1-4899-7636-9. Ricci, F., Rokach, L., Shapira, B. (eds.)
Metadaten
Titel
Hierarchical Clustering for Collaborative Filtering Recommender Systems
verfasst von
César Inga Chalco
Rodolfo Bojorque Chasi
Remigio Hurtado Ortiz
Copyright-Jahr
2019
Buch
Advances in Artificial Intelligence, Software and Systems Engineering

Print ISBN: 978-3-319-94228-5

Electronic ISBN: 978-3-319-94229-2

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-319-94229-2_34