nach oben

Erschienen in:

2019 | OriginalPaper | Buchkapitel

You Have the Choice: The Borda Voting Rule for Clustering Recommendations

verfasst von : Johannes Kastner, Markus Endres

Erschienen in: Advances in Databases and Information Systems

Verlag: Springer International Publishing

Einloggen

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

search-config

KI-gestützte Suche

Aus

Abstract

Automatic recommendations are very popular in E-commerce, online shopping platforms, video on-demand services, or music-streaming. However, recommender systems often suggest too many related items such that users are unable to cope with the huge amount of recommendations. In order to avoid losing the overview in recommendations, clustering algorithms like k-means are a very common approach to manage large and confusing sets of items. In this paper, we present a clustering technique, which exploits the Borda social choice voting rule for clustering recommendations in order to produce comprehensible results for a user. Our comprehensive benchmark evaluation and experiments regarding quality indicators show that our approach is competitive to k-means and confirms the high quality of our Borda clustering approach.

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 Query-Oriented Answer Imputation for Aggregate Queries

Nächstes Kapitel BM-index: Balanced Metric Space Index Based on Weighted Voronoi Partitioning

https://www.imdb.com/.

Jaccard: \(J(A, B) = |A\cap B| / |A \cup B|\) for two sets A and B. \(J_\delta (A,B)= 1 - J(A,B)\).

http://www.jmdb.de/.

Arthur, D., Vassilvitskii, S.: K-means++: the advantages of careful seeding. In: ACM-SIAM 2007, SODA 2007, Philadelphia, PA, USA, pp. 1027–1035 (2007)

Bandyopadhyay, S., Saha, S.: Unsupervised Classification. Springer, Heidelberg (2013). https://doi.org/10.1007/978-3-642-32451-2CrossRefMATH

Börzsönyi, S., Kossmann, D., Stocker, K.: The skyline operator. In: ICDE 2001, pp. 421–430. IEEE, Washington, DC (2001)

Davies, D.L., Bouldin, D.W.: A cluster separation measure. IEEE Trans. Pattern Anal. Mach. Intell. 1(2), 224–227 (1979)CrossRef

Debord, B.: An axiomatic characterization of Borda’s k-choice function. Soc. Choice Welfare 9(4), 337–343 (1992)MathSciNetCrossRef

Jain, A.K.: Data clustering: 50 years beyond k-means. Pattern Recogn. Lett. 31(8), 651–666 (2010)CrossRef

Jing, L., Ng, M.K., Huang, J.Z.: An entropy weighting k-means algorithm for subspace clustering of high-dimensional sparse data. IEEE Trans. Knowl. Data Eng. 19(8), 1026–1041 (2007)CrossRef

Kamishima, T., Akaho, S.: Efficient clustering for orders. In: Zighed, D.A., Tsumoto, S., Ras, Z.W., Hacid, H. (eds.) Mining Complex Data. Studies in Computational Intelligence, vol. 165, pp. 261–279. Springer, Heidelberg (2009). https://doi.org/10.1007/978-3-540-88067-7_15CrossRef

Kanungo, T., Mount, D.M., Netanyahu, N.S., Piatko, C.D., Silverman, R., Wu, A.Y.: An efficient k-means clustering algorithm: analysis and implementation. IEEE TPAMI 24(7), 881–892 (2002)CrossRef

10.

Kastner, J., Endres, M., Kießling, W.: A pareto-dominant clustering approach for pareto-frontiers. In: EDBT/ICDT 2017, Venice, Italy, 21–24 March 2017, Workshop Proceedings, vol. 1810 (2017)

11.

Kastner, J., Ranitovic, N., Endres, M.: The Borda social choice movie recommender. In: BTW 2019, 4–8 March 2019 in Rostock, Germany, pp. 499–502 (2019)

12.

Kießling, W., Endres, M., Wenzel, F.: The preference SQL system - an overview. Bull. Tech. Commitee Data Eng. 34(2), 11–18 (2011)

13.

Kim, D., Kim, K.S., Park, K.H., Lee, J.H., Lee, K.M.: A Music Recommendation System with a Dynamic k-means Clustering Algorithm. In: ICMLA (2007)

14.

Knijnenburg, B.P., Willemsen, M.C., Gantner, Z., Soncu, H., Newell, C.: Explaining the user experience of recommender systems. User Model. User-Adap. Inter. 22(4–5), 441–504 (2012)CrossRef

15.

Kunaver, M., Porl, T.: Diversity in recommender systems a survey. Know. Based Syst. 123(C), 154–162 (2017)CrossRef

16.

Macqueen, J.: Some methods for classification and analysis of multivariate observations. In: In 5-th Berkeley Symposium on Mathematical Statistics and Probability, pp. 281–297 (1967)

17.

Mohamad, I., Usman, D.: Standardization and its effects on K-Means Clustering Algorithm. Res. J. Appl. Sci. Eng. Technol. 6, 3299–3303 (2013)CrossRef

18.

Parsons, L., Haque, E., Liu, H.: Subspace clustering for high dimensional data: a review. SIGKDD Explor. Newsl. 6(1), 90–105 (2004)CrossRef

19.

Ricci, F., Rokach, L., Shapira, B.: Recommender systems: introduction and challenges. In: Ricci, F., Rokach, L., Shapira, B. (eds.) Recommender Systems Handbook, pp. 1–34. Springer, Boston, MA (2015). https://doi.org/10.1007/978-1-4899-7637-6_1CrossRefMATH

20.

Rousseeuw, P.: Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. J. Comp. Appl. Math. 20, 53–65 (1987)CrossRef

21.

Sarstedt, M., Mooi, E.: Cluster analysis. In: A Concise Guide to Market Research. STBE, pp. 273–324. Springer, Heidelberg (2014). https://doi.org/10.1007/978-3-642-53965-7_9CrossRef

22.

Sen, A.: The possibility of social choice. Am. Econ. Rev. 89(3), 349–378 (1999)CrossRef

23.

Ukkonen, A.: Clustering algorithms for chains. J. Mach. Learn. Res. 12, 1389–1423 (2011)MathSciNetMATH

24.

Virmani, D., Shweta, T., Malhotra, G.: Normalization Based K Means Clustering Algorithm. CoRR abs/1503.00900 (2015)

25.

Wan, S.J., Wong, S.K.M., Prusinkiewicz, P.: An algorithm for multidimensional data clustering. ACM Trans. Math. Softw. 14(2), 153–162 (1988)CrossRef

26.

Wei, S., Ye, N., Zhang, S., Huang, X., Zhu, J.: Collaborative filtering recommendation algorithm based on item clustering and global similarity. In: BIFE 2012, pp. 69–72, August 2012

27.

Zhang, Z., Zhang, J., Xue, H.: Improved K-means clustering algorithm. In: Proceedings of the Congress on Image and Signal Processing 2008, CISP 2008, vol. 5, pp. 169–172, May 2008

Titel: You Have the Choice: The Borda Voting Rule for Clustering Recommendations
verfasst von: Johannes Kastner
Markus Endres
Verlag: Springer International Publishing
Buch: Advances in Databases and Information Systems
Print ISBN: 978-3-030-28729-0

Electronic ISBN: 978-3-030-28730-6

Copyright-Jahr: 2019
DOI: https://doi.org/10.1007/978-3-030-28730-6_20

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

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

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"