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:
Application of Bayesian Belief Networks for Smart City Fire Risk Assessment Using History Statistics and Sensor Data Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Optimal Rating Prediction in Recommender Systems

verfasst von : Bilal Ahmed, Li Wang, Waqar Hussain, M. Abdul Qadoos, Zheng Tingyi, Muhammad Amjad, Syed Badar-ud-Duja, Akbar Hussain, Muhammad Raheel

Erschienen in: Data Science

Verlag: Springer Singapore

Einloggen

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

search-config
loading …

Abstract

Recommendation systems are best choice to cope with the problem of information overload. These systems are commonly used in recent years help to match users with different items. The increasing amount of available data on internet in recent year’s pretenses some great challenges in the field of recommender systems. Main challenge is to predict the user preference and provide favorable recommendations. In this article, we present a new mechanism to improve the prediction accuracy in recommendations. Our method includes a discretization step and chi-square algorithm for attribute selection. Results on MovieLens dataset show that our technique performs well and minimize the error ratio.

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 EEG Pattern Recognition Based on Self-adjusting Dynamic Time Dependency Method
Nächstes Kapitel A Performance Comparison of Clustering Algorithms for Big Data on DataMPI
Literatur
1.
2.
Sielis, G.A., Tzanavari, A., Papadopoulos, G.A.: Recommender systems review of types, techniques, and applications. In: Encyclopedia of Information Science and Technology, pp. 7260–7270 (2014)
3.
Gunawardana, A., Shani, G.: A survey of accuracy evaluation metrics of recommendation tasks. J. Mach. Learn. Res. 10, 2935–2962 (2009)MathSciNetMATH
4.
Song, W.: News recommendation system based on collaborative filtering and SVM. In: 2018 3rd International Conference on Automation, Mechanical and Electrical Engineering (AMEE 2018) (2018). ISBN 978-1-60595-570-4
5.
Xue, G.-R., et al.: Scalable collaborative filtering using cluster-based smoothing, p. 114 (2005)
6.
Zhang, R., Liu, Q.D., Chun-Gui, J.X.W., Ma, H.: Collaborative filtering for recommender systems. In: Proceedings of - 2014 2nd International Conference Advanced Cloud Big Data, CBD 2014, pp. 301–308 (2015)
7.
Ahmed, B., Wang, L., Amjad, M., Bilal, M.A.Q.: Deep learning innovations in recommender systems. Int. J. Comput. Appl. 178(12), 57–59 (2019)
8.
Ekstrand, M.D.: Collaborative filtering recommender systems. Found. Trends® Hum.–Comput. Interact. 4(2), 81–173 (2011)CrossRef
9.
Rashid, A.M., Lam, S.K., Karypis, G., Riedl, J.: ClustKNN: a highly scalable hybrid model- & memory-based cf algorithm categories and subject descriptors. In: Proceedings of WebKDD (2006)
10.
Paterek, A.: Improving regularized singular value decomposition for collaborative filtering. In: Proceedings of KDD Cup Work, pp. 2–5 (2007)
11.
Rennie, J.D.M., Srebro, N.: Fast maximum margin matrix factorization for collaborative prediction, pp. 713–719 (2006)
12.
Hanhuai, S., Banerjee, A.: Generalized probabilistic matrix factorizations for collaborative filtering technical report. Technical rep. 10–024, University Minnesota (2010)
13.
Lee, J., Sun, M., Lebanon, G.: A comparative study of collaborative filtering algorithms, pp. 1–27 (2012)
14.
Liu, H., Setiono, R.: Chi2: feature selection and discretization of numeric attributes, May 2014, pp. 388–391 (2002)
15.
Hussain, F., Tan, C., Dash, M., Liu, H.: Discretization: an enabling technique. Data Min. Knowl. Discov. 6(4), 393–423 (2002)MathSciNetCrossRef
Metadaten
Titel
Optimal Rating Prediction in Recommender Systems
verfasst von
Bilal Ahmed
Li Wang
Waqar Hussain
M. Abdul Qadoos
Zheng Tingyi
Muhammad Amjad
Syed Badar-ud-Duja
Akbar Hussain
Muhammad Raheel
Copyright-Jahr
2020
Verlag
Springer Singapore
Buch
Data Science

Print ISBN: 978-981-15-2809-5

Electronic ISBN: 978-981-15-2810-1

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-981-15-2810-1_32