论文:The Role of Emotions in Context-aware Recommendation总结

论文标题:The Role of Emotions in Context-aware Recommendation

论文出处会议期刊):RecSys

论文时间:2013

 

一、 摘要(翻译论文的摘要)

       上下文推荐系统尝试利用不同的上下文去适应用户偏好,而且这被证明在很多不同的领域上都能提高推荐的精确性。情绪是最流行的上下文变量,而很少研究人研究情绪是怎样作用在推荐上的——特别是情绪变量的用法除了单单的描述效力。在这篇论文中,我们研究在上下文推荐系统算法中情绪的作用。更具体地,我们评价两个流行的上下文推荐系统算法——上下文感知过滤算法和微分上下文建模。我们考核预测的性能,探索情绪的用法和发现情绪在推荐过程中是怎样影响上下文算法的。

二、 相关技术(只写相关算法名称及相关解读参考网址)

1.Item Splitting(参考文献 Context-based splitting of item ratings in collaborative filtering)

2.Impurity criteria(参考文献 Context-based splitting of item ratings in collaborative filtering )

3.User Splitting(参考文献 Towards time-dependant

recommendation based on implicit feedback.)

4.UI Splitting(本文提出)

5.DCM in BUCF(参考文献 Differential context

modeling in collaborative filtering)

 

三、 本文算法(本文提出的算法)

1. 算法1:

1) 名称:UI Splitting

2) 算法步骤:

a) 步骤一:以Impurity criteria作为评价标准,Item Splitting遍历所有的上下文维度,找到最优的将同一个item分成两个的上下文,分离得出新的矩阵

b) 步骤二:再以同样步骤一的方法,分离一中得到的矩阵,得到UI Splitting评分矩阵

3) 用于解决本文的什么问题:预过滤问题

2. 算法2:

1) 名称:DCM in BUCF

2) 算法步骤:

a) 步骤一:使用皮尔逊相关系数法计算用户之前间相似度

b) 步骤二:选择K个最相似的用户

c) 步骤三:根据公式

计算评分

3) 用于解决本文的什么问题:预测评分

 

四、 实验

1. 实验数据集:

4) 数据集1:

a) 名称:LDOS-CoMoDa

b) 介绍:(包括数据集是什么类型的,文件结构是如何的等等)

电影类型,文件每一行结构如下:

UserID,itemID,rating,age,sex,city,country,time,daytype,season,location,weather,social,endEmo,dominantEmo,mood,physical,desicion,interaction,director,

movieCountry,movieLanguage,movieYear,genre1,genre2,genre3,actor1,actor2,actor3,budget

c) 来源:

http://212.235.187.145/spletnastran/raziskave/um/comoda/comoda.php

3. 评判标准:

1) 评价标准:RMSE

  相关公式:

S={[(x1-x)^2+(x2-x)^2+......(xn-x)^2]/N}^0.5x平均数N为样本个数)

2TmeanTchiTprop

4. 实验分析(翻译论文部分,提供图表)

 


 

 

从整体来看,UI Splitting在所有的数据处理上下文感知推荐算法中表现最好。加入情绪变量算法的表现更好,最好的组合是UI Splitting 加上BaisMF算法。

阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页