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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2015 | OriginalPaper | Buchkapitel

Using Implicit Preference Relations to Improve Content Based Recommending

verfasst von : Ladislav Peska, Peter Vojtas

Erschienen in: E-Commerce and Web Technologies

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Our work is generally focused on recommending for small or medium-sized e-commerce portals, where we are facing scarcity of explicit feedback, low user loyalty, short visit times or low number of visited objects. In this paper, we present a novel approach to use specific user behavior as implicit feedback, forming binary relations between objects. Our hypothesis is that if user select some object from the list of displayed objects, it is an expression of his/her binary preference between selected and other shown objects. These relations are expanded based on content-based similarity of objects forming partial ordering of objects. Using these relations, it is possible to alter any list of recommended objects or create one from scratch.
We have conducted several off-line experiments with real user data from a Czech e-commerce site with keyword based VSM and SimCat recommenders. Experiments confirmed competitiveness of our method, however on-line A/B testing should be conducted in the future work.

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
Nächstes Kapitel Product Recommendation for Small-Scale Retailers
Fußnoten
1
Probabilistic sum \( S_{sum} \left( {a,b} \right) = a + b - a*b \) .
 
Literatur
1.
Baltrunas, L., Amatriain, X.: Towards time-dependant recommendation based on implicit feedback. In: CARS 2009 (RecSys)
2.
Claypool, M., Le, P., Wased, M., Brown, D.: Implicit interest indicators. In: IUI 2001, pp. 33–40. ACM (2001)
3.
Cremonesi, P., Garzotto, F., Turrin, R.: User-centric vs. system-centric evaluation of recommender systems. In: Kotzé, P., Marsden, G., Lindgaard, G., Wesson, J., Winckler, M. (eds.) INTERACT 2013, Part III. LNCS, vol. 8119, pp. 334–351. Springer, Heidelberg (2013)CrossRef
4.
Desarkar, M.S., Saxena, R., Sarkar, S.: Preference relation based matrix factorization for recommender systems. In: Masthoff, J., Mobasher, B., Desmarais, M.C., Nkambou, R. (eds.) UMAP 2012. LNCS, vol. 7379, pp. 63–75. Springer, Heidelberg (2012)CrossRef
5.
Eckhardt, A., Horváth, T., Vojtáš, P.: PHASES: a user profile learning approach for web search. In: WI 2007, pp. 780–783. IEEE (2007)
6.
Fang, Y., Si, L.: A latent pairwise preference learning approach for recommendation from implicit feedback. In: CIKM 2012, pp. 2567–2570. ACM (2012)
7.
Hidasi, B., Tikk, D.: Initializing matrix factorization methods on implicit feedback databases. J. UCS 19, 1834–1853 (2013)
8.
Hu, Y., Koren, Y., Volinsky, C.: Collaborative filtering for implicit feedback datasets. In: ICDM 2008, pp. 263–272. IEEE (2008)
9.
Koren, Y., Bell, R., Volinsky, C.: Matrix factorization techniques for recommender systems. Comput. IEEE Comput. Soc. Press 42, 30–37 (2009)CrossRef
10.
Lai, Y., Xu, X., Yang, Z., Liu, Z.: User interest prediction based on behaviors analysis. Int. J. Digit. Content Technol. Appl. 6(13), 192–204 (2012)CrossRef
11.
Lee, D.H., Brusilovsky, P.: Reinforcing recommendation using implicit negative feedback. In: Houben, G.-J., McCalla, G., Pianesi, F., Zancanaro, M. (eds.) UMAP 2009. LNCS, vol. 5535, pp. 422–427. Springer, Heidelberg (2009)CrossRef
12.
Lops, P., de Gemmis, M., Semeraro, G.: Content-based recommender systems: state of the art and trends. In: Recommender Systems Handbook, Springer, Heidelberg, pp. 73–105 (2011)
13.
Ostuni, V.C., Di Noia, T., Di Sciascio, E., Mirizzi, R.: Top-N recommendations from implicit feedback leveraging linked open data. In: RecSys 2013, pp. 85–92. ACM (2013)
14.
15.
Peska, L., Vojtas, P.: Evaluating various implicit factors in e-commerce. In: RUE (RecSys) 2014, CEUR, 910, pp. 51–55 (2012)
16.
Peska, L., Vojtas, P.: Negative implicit feedback in e-commerce recommender systems. In: WIMS 2013, pp. 45:1–45:4. ACM (2013)
17.
Peska, L., Vojtas, P.: Recommending for disloyal customers with low consumption rate. In: Geffert, V., Preneel, B., Rovan, B., Štuller, J., Tjoa, A.M. (eds.) SOFSEM 2014. LNCS, vol. 8327, pp. 455–465. Springer, Heidelberg (2014)CrossRef
18.
Peska, L., Vojtas, P.: Enhancing recommender system with linked open data. In: Larsen, H.L., Martin-Bautista, M.J., Vila, M.A., Andreasen, T., Christiansen, H. (eds.) FQAS 2013. LNCS, vol. 8132, pp. 483–494. Springer, Heidelberg (2013)CrossRef
19.
Raman, K., Shivaswamy, P., Joachims, T.: Online learning to diversify from implicit feedback. In: KDD 2012, pp. 705–713. ACM (2012)
20.
Rendle, S., Freudenthaler, C., Gantner, Z., Schmidt-Thieme, L.: BPR: bayesian personalized ranking from implicit feedback. In: UAI 2009, pp. 452–461. AUAI Press (2009)
21.
Yang, B., Lee, S., Park, S., Lee, S.: Exploiting various implicit feedback for collaborative filtering. In: WWW 2012, pp. 639–640. ACM (2012)
Metadaten
Titel
Using Implicit Preference Relations to Improve Content Based Recommending
verfasst von
Ladislav Peska
Peter Vojtas
Copyright-Jahr
2015
Buch
E-Commerce and Web Technologies

Print ISBN: 978-3-319-27728-8

Electronic ISBN: 978-3-319-27729-5

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-27729-5_1

Premium Partner

    Bildnachweise