Thông tin chung:

Ngày nhận: 19/09/2015

Ngày chấp nhận: 10/10/2015

Title:

A combination model of user preference threshold and majority voting for rating prediction in recommender systems

Từ khóa:

Hệ thống gợi ý, lọc cộng tác, bình chọn số đông, ngưỡng sở thích

Keywords:

Recommender systems, Collaborative filtering, majority voting, user preference threshold

ABSTRACT

Recommender Systems (RS) are widely used in many fields such as e-commerce, entertainment, education, etc. The purpose of RS is to predict user preferences/behaviors/etc. Based on the prediction results, the system can recommend appropriate items to the users.

This study proposes a new approach for rating prediction in RS. This approach is a compound of a voting rule and a user preference threshold to predict the rating of the user. This approach is quite simple and easy to implement but it is effective. The experimental results on standard data sets in RS show that the proposed approach performs much faster than the well-known collaborative filtering approach while its accuracy is also improved in most of the cases. Thus, this could be a promising approach for rating prediction in recommender systems.

TÓM TẮT

Hệ thống gợi ý (Recommender Systems – RS) hiện đang được sử dụng trong nhiều lĩnh vực (như thương mại điện tử, giáo dục, giải trí,..) để dự đoán “sở thích” (thói quen/ nhu cầu/ năng lực/…) của người dùng từ đó gợi ý cho họ những mục thông tin (item) phù hợp nhất. Thương mại điện tử ở Việt Nam hiện đang phát triển mạnh, do vậy RS sẽ mở ra nhiều tiềm năng trong nghiên cứu cũng như ứng dụng.

Bài viết này đề xuất một tiếp cận mới trong dự đoán xếp hạng của hệ thống gợi ý, đó là việc sử dụng luật bình chọn số đông kết hợp với ngưỡng sở thích nhằm xác định giá trị xếp hạng của người dùng trên các mục thông tin. Phương pháp đề xuất này khá đơn giản nhưng lại cho kết quả rất khả quan. Kết quả thử nghiệm trên các tập dữ liệu chuẩn cho thấy phương pháp được đề xuất có thời gian thực hiện nhanh hơn đáng kể so với các phương pháp truyền thống dựa trên lọc cộng tác trong khi độ chính xác cũng được cải thiện trong phần lớn các trường hợp thử nghiệm. Chính vì thế, đây có thể là một hướng tiếp cận hữu ích trong lĩnh vực dự đoán xếp hạng của RS.