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