Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Graph-based Rating Prediction using Eigenvector Centrality

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F16%3A00305495" target="_blank" >RIV/68407700:21230/16:00305495 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.5220/0006044902280233" target="_blank" >http://dx.doi.org/10.5220/0006044902280233</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.5220/0006044902280233" target="_blank" >10.5220/0006044902280233</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Graph-based Rating Prediction using Eigenvector Centrality

  • Popis výsledku v původním jazyce

    The most of recommendation systems rely on the statistical correlations of the past explicitly given user rating for items (e.g. collaborative filtering). However, in conditions of insufficient data of past rating activities, these systems are facing difficulties in rating prediction, this situation is commonly known as the cold-start problem. This paper describes how graph-based representation and Social Network Analysis can be used to help dealing with cold-start problem. We proposed a method to predict user rating based on the hypothesis that the rating of the node in the network corresponded to the rating of the most important nodes which are connected to it. The proposed method has been particularly applied to three MovieLens datasets to evaluate rating prediction performance. Obtained results showed competitiveness of our method.

  • Název v anglickém jazyce

    Graph-based Rating Prediction using Eigenvector Centrality

  • Popis výsledku anglicky

    The most of recommendation systems rely on the statistical correlations of the past explicitly given user rating for items (e.g. collaborative filtering). However, in conditions of insufficient data of past rating activities, these systems are facing difficulties in rating prediction, this situation is commonly known as the cold-start problem. This paper describes how graph-based representation and Social Network Analysis can be used to help dealing with cold-start problem. We proposed a method to predict user rating based on the hypothesis that the rating of the node in the network corresponded to the rating of the most important nodes which are connected to it. The proposed method has been particularly applied to three MovieLens datasets to evaluate rating prediction performance. Obtained results showed competitiveness of our method.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2016

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of the 8th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management - Volume 1: KDIR

  • ISBN

    978-989-758-203-5

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    228-233

  • Název nakladatele

    SciTePress - Science and Technology Publications

  • Místo vydání

    Porto

  • Místo konání akce

    Porto

  • Datum konání akce

    9. 11. 2016

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000391111000023