Dissimilarity Features in Recommender Systems

ABSTRACT

In the context of recommenders, providing suitable suggestions requires an effective content analysis where information for items, in the form of features, can play a significant role. Many recommenders suffer from the absence of indicative features capable of capturing precisely the users’ preferences which constitutes a vital requirement for a successful recommendation technique. Aiming to overcome such limitations, we introduce a framework through which we extract dissimilarity features based on differences in preferences of items’  attributes among users. We enrich the representations of items with the extracted features for the purpose of increasing the ability of a recommender to highlight the preferred items. In this direction, we incorporate the dissimilarity features into different types of classifiers/recommenders (C4.5 and lib-SVM) and evaluate their importance in terms of precision and relevance. Experimentation on real data (Yahoo! Music Social Network) indicates that the inclusion of the proposed features improves the classifiers’ performance, and subsequently the provided recommendations.  In the context of recommenders, providing suitable suggestions requires an effective content analysis where information for items, in the form of features, can play a significant role. Many recommenders suffer from the absence of indicative features capable of capturing precisely the users’ preferences which constitutes a vital requirement for a successful recommendation technique. Aiming to overcome such limitations, we introduce a framework through which we extract dissimilarity features based on differences in preferences of items’  attributes among users. We enrich the representations of items with the extracted features for the purpose of increasing the ability of a recommender to highlight the preferred items. In this direction, we incorporate the dissimilarity features into different types of  classifiers/recommenders (C4.5 and lib-SVM) and evaluate theirimportance in terms of precision and relevance. Experimentation on real data (Yahoo! Music Social Network) indicates that the inclusion of the proposed features improves the classifiers’ performance, and subsequently the provided recommendations.

INTRODUCTION

Recommenders search in collections of items and suggest the most relevant ones to users . The relevance of an item for a user can be merely expressed with a decision of whether the user likes it or not. Providing  recommendations through such decisions can be approached from a machine learning perspective where classifiers are trained to offer effective solutions to this binary classification problem (i.e. like/dislike). Classifiers have played an active role in the field of recommenders. Probabilistic methods have been used in both  content-based and collaborative-filtering  recommenders as well as in hybrid solutions . Furthermore, other types of classifiers such as Decision Trees  and Support Vector Machines have also been utilized in recommendation methods. A classifier’s performance is basically affected by the discriminating power of the included features to precisely separate samples belonging to different classes. In a classifier that acts as a  recommender, this discriminating power can be expressed by the ability of features to effectively capture users’ preferences by including indicative information that leads to the preferred items. Therefore, the  challenge is topresent features capable of capturing different aspects of the analysed content. Solutions to this challenge answer to the limited content analysis problem  that many recommenders suffer from in cases where there is either a limited number of features or these features fail to be indicative enough.

چکیده

در زمینه توصیهگرها، ارائه پیشنهادات مناسب نیاز به یک تجزیه و تحلیل محتوای موثر دارد که اطلاعات مربوط به اقلام، به شکل ویژگی، می تواند نقش مهمی ایفا کند. بسیاری از توصیه گران از فقدان ویژگی های نمایشی رنج می برند که بتواند دقیقا ترجیحات کاربران را جذب کند که یک الزام حیاتی برای تکنیک توصیه های موفقیت آمیز است. با هدف غلبه بر چنین محدودیت هایی، چارچوبی را ایجاد می کنیم که از طریق آن ویژگی های متمایز را براساس تفاوت های ترجیحات صفات مورد در میان کاربران می گیریم. ما بازنمایی اقلام با ویژگی های استخراج شده را به منظور افزایش توانایی یک توصیه کننده برای برجسته کردن موارد مورد نظر غنی می کنیم. در این راستا، ویژگی های متمایز را به انواع مختلف طبقه بندی کننده ها / پیشنهاد کننده ها (C4.5 و lib-SVM) در نظر می گیریم و اهمیت آنها را از لحاظ دقت و ارتباط مورد ارزیابی قرار می دهیم. آزمایش بر روی داده های واقعی (شبکه اجتماعی موسیقی یاهو) نشان می دهد که گنجاندن ویژگی های پیشنهادی عملکرد عملکرد طبقه بندی ها و سپس توصیه های ارائه شده را بهبود می بخشد. در زمینه توصیهگرها، ارائه پیشنهادات مناسب نیاز به یک تجزیه و تحلیل محتوای موثر دارد که اطلاعات مربوط به اقلام، به شکل ویژگی، می تواند نقش مهمی ایفا کند. بسیاری از توصیه گران از فقدان ویژگی های نمایشی رنج می برند که بتواند دقیقا ترجیحات کاربران را جذب کند که یک الزام حیاتی برای تکنیک توصیه های موفقیت آمیز است. با هدف غلبه بر چنین محدودیت هایی، چارچوبی را ایجاد می کنیم که از طریق آن ویژگی های متمایز را براساس تفاوت های ترجیحات صفات مورد در میان کاربران می گیریم. ما بازنمایی اقلام با ویژگی های استخراج شده را به منظور افزایش توانایی یک توصیه کننده برای برجسته کردن موارد مورد نظر غنی می کنیم. در این راستا، ویژگی های متمایز را به انواع مختلف طبقه بندی کننده ها / پیشنهاد کننده ها (C4.5 و lib-SVM) در نظر می گیریم و اهمیت آنها را از لحاظ دقت و ارتباط مورد ارزیابی قرار می دهیم. آزمایش بر روی داده های واقعی (شبکه اجتماعی موسیقی یاهو) نشان می دهد که گنجاندن ویژگی های پیشنهادی عملکرد عملکرد طبقه بندی ها و سپس توصیه های ارائه شده را بهبود می بخشد.

مقدمه

توصیهگرها در مجموعه آیتم ها جستجو می کنند و موارد مرتبط را برای کاربران پیشنهاد می کنند. ارتباط یک آیتم برای یک کاربر می تواند صرفا با تصمیم گیری درباره اینکه آیا کاربر آن را دوست دارد یا نه، بیان می شود. ارائه توصیه ها از طریق چنین تصمیم هایی می تواند از یک دیدگاه یادگیری ماشین در برگیرد که در آن طبقه بندی ها آموزش داده می شوند تا راه حل های موثر برای این مشکل طبقه بندی باینری (مثلا دوست / نداشتن) ارائه دهند. طبقه بندی ها نقش مهمی را در زمینه پیشنهاد دهندگان ایفا می کنند. روشهای احتمالی در هر دو توصیهگر مبتنی بر محتوا و همکاری فیلتر کردن و همچنین در راه حل های هیبریدی استفاده شده است. علاوه بر این، انواع دیگری از طبقه بندی هایی همچون درخت های تصمیم گیری و ماشین های بردار پشتیبانی نیز در روش های توصیه شده استفاده شده است. عملکرد طبقهبندی اساسا تحت تاثیر قدرت تفکیک شده از ویژگی های شامل به طور دقیق نمونه های جداگانه متعلق به کلاس های مختلف است. در یک طبقه بندی کننده که به عنوان یک توصیه کننده عمل می کند، این قدرت تفکیک پذیر را می توان با توانایی ویژگی ها به منظور به طور موثر ترجیحات کاربر را با استفاده از اطلاعات پیش بینی شده که منجر به موارد مورد نظر می شود، بیان می کند. بنابراین، چالش این است که ویژگی های فعلی را قادر به گرفتن جنبه های مختلف از محتوای تجزیه و تحلیل شده است. راه حل های این چالش پاسخ به مشکل محدودیت محتویات محتوا که بسیاری از توصیه گران از آن رنج می برند در مواردی که تعداد محدودی از ویژگی ها وجود دارد یا این ویژگی ها به اندازه کافی نشان دهنده نیستند.

Year: 2013

Publisher : IEEE

By : Christos Zigkolis, Savvas Karagiannidis, Athena Vakali

File Information: English Language/ 8 Page / size: 267 KB

Download

سال : 1392

ناشر : IEEE

کاری از : کریستو زیگولیس، ساواس کاراژیانیدیس، آتنا وکالی

اطلاعات فایل : زبان انگلیسی / 8صفحه / حجم : KB 267

لینک دانلود