Abstract:

Recommender systems play an important role in suggesting relevant information to users based on their available preferences about items. Utilizing a recommender system allows companies to increase revenues, customer satisfaction and enable personalization and discovery. Content-based and collaborative filtering approaches are the most popular techniques in recommender systems predicting users preferences based on “collaborative” data about users and items in the system. However, their use is not justified in certain applications, particularly when user-item collaboration data is very sparse or missing. In this paper, a recommender framework based on community detection is developed outperforming other popular recommendation methods in some applications.
; Рекомендательные системы предлагают информацию пользователям на основе доступных данных. Использование рекомендательных систем позволяет организациям увеличивать свои доходы, расширять сеть и способствовать открытию новой информации для пользователей. Подходы контентной и коллаборативной фильтрации являются наиболее популярными методами в рекомендательных системах, которые прогнозируют предпочтения пользователей. Однако эти методы не подходят для некоторых приложений, особенно когда коллаборативные данные отсутствуют или их очень мало. В этой работе разработана рекомендательная среда на основе обнаружения сообществ, которая в некоторых приложениях имеет преимущества перед другими подходами.

Date submitted:

14.01.2019

Date accepted:

16.04.2019

Identifier:

oai:noad.sci.am:136046

ISSN:

0131-4645

Other identifier:

UDC 004.031.42

Language:

English

Journal or Publication Title:

Mathematical Problems of Computer Science

Volume:

51

URL:

Additional Information:

karenmkhitaryan@gmail.com

Affiliation:

Institute for Informatics and Automation Problems ; Институт проблем информатики и автоматизации

Country:

Armenia

Indexing:

ASCI