A Graph Based Ranking Algorithm for Recommender Systems

Zainabolhoda Heshmati¹ Yasamin Sadat²

Abstract :
Recommender systems are an emerging technology that helps consumers to find interesting products. A recommender system makes personalized product suggestions by extracting knowledge from the previous users’ interactions and ratings on products. Such services are particularly useful in the modern electronic marketplace which offers an unprecedented range of products which makes it impossible for any user to explore all of them before making decisions and increases the importance of these systems as a forecasting device. However, a recommendation system normally requires comprehensive data relating users and products. Insufficiently comprehensive data creates difficulties for creating good recommendations. One approach to solve this problem is to use random walk with restart (RWR), which significantly reduces the quantity of data required and has been shown to outperform collaborative filtering which is the competitor approach in the field of recommendation systems. This study explores how to increase the accuracy of the Random Walk approach in a recommendation system graph model by changing the rating mechanism. In our approach we replace the conventional rating systems with a new system which is capable of detecting negative opinions as well as positive ones and gathering both like/unlike opinions in the process of rating by users. After that we design a scoring algorithm, which can be used to rank products according to expected user preferences, in order to recommend top–rank items to potentially interested users. We tested our algorithm on a standard database, the MovieLens data set, which contains data collected from a popular recommender system on movies, and we compared our algorithm with other popular ranking techniques. The result shows that our approach provides better recommendations with less memory and time complexities.

Keywords : recommender systems ranking random walk on graphs networks analysis

---

زبان مقاله : انگلیسی
محور مقاله : مهندسی
محل انتشار : نهمین کنفرانس بین المللی تحقیقات پیشرفته در علوم، مهندسی و فناوری
آدرس وب سایت کنفرانس : setconf.ir
کد IOI مقاله : XCCA-EEGHA
لینک مستقیم مقاله : https://isnac.ir/XCCA-EEGHA
نمایش چکیده فارسی : https://isnac.ir/SA/XCCA-EEGHA

سایر مقالات ارائه دهنده

1. Keyword and Citation Network based Citation Recommendation
2. A Graph Based Ranking Algorithm for Recommender Systems
3. Identifying Influential Nodes for Information Propagation in Social Networks
4. Transformer-Based Sentiment Analysis of Persian Tweets for Predicting the Iranian Presidential Election

سایر مقالات محل انتشار

1. نقش توسعه فناوری اطلاعات بر درآمدهای پایدار و اقتصاد شهری
2. بررسی تاثیر گیمیفیکیشن بر مشارکت مشتری و نگرش برند
3. STATIC POWER AWARE APROACH FOR TASK MAPPING ON MULTICORE ARCHITECTURES USING THE IMPERIALIST COMPETITIVE ALGORITHM
4. کاربرد روش¬های هوشمند در پیشبینی شوری آب¬های زیرزمینی با رویکرد آنتروپی شانون
5. راهکارهایی مبتنی بر داده کاوی با مقایسه عملکرد درخت تصمیم CART و شبکه ی عصبیMLP برای پیش بینی سکته قلبی
6. The Status of Social media networking among University students
7. کاربرد تکنیک های داده کاوی در تجزیه و تحلیل اطلاعات میزان مصرف و روند بدهی مشترکین برق (مطالعه موردی: شرکت توزیع نیروی برق استان ایلام)
8. مطالعه عددی افزایش انتقال گرما از گرم‌کن پمپ رسانش الکتریکی به نرمال-هگزان با افزودن نانوذرات مس
9. مطالعه عددی افزایش انتقال گرما از گرم‌کن پمپ رسانش الکتریکی به نرمال-دکان با افزودن نانوذرات مس
10. A Graph Based Ranking Algorithm for Recommender Systems
11. هوشمند سازی سلامت افراد در اینترنت اشیا
12. پيش بيني بارکاري جهت بالابردن دسترس پذيري در محيط هاي محاسبات ابري سيار
13. تشخیص چهره پنهان از تصاویر با به کارگیری شبکه‌های عصبی عمیق
14. ارائه سیستمی برای کنترل ربات کابلی
15. بهبود تشخیص نفوذ در شبکه با الگوریتمهای هوش مصنوعی