Recommender Systems and the Social Web: Leveraging Tagging Data for Recommender Systems

​به دلیل بار اطلاعاتی که کاربران در وب با آن مواجه هستند، تقاضای فزاینده ای برای سیستم های توصیه گر وجود دارد. هدف یک سیستم توصیه گر ارائه توصیه های شخصی از محصولات یا خدمات به کاربران است. با ظهور شبکه اجتماعی، محتوای تولید شده توسط کاربر بعد اجتماعی وب را غنی کرده است. از آنجایی که داده های محتوای ارائه شده توسط کاربر نیز چیزی در مورد کاربر به ما می گوید، می توان ترجیحات فردی کاربر را از وب اجتماعی یاد گرفت. این فرصت ها و چالش های کاملا جدیدی را برای تحقیقات سیستم های توصیه گر باز می کند. فاتح گدیکلی به این سوال می پردازد که چگونه می توان از داده های برچسب گذاری ارائه شده توسط کاربر برای ساختن سیستم های توصیه گر بهتر استفاده کرد. یک الگوریتم پیشنهاد دهنده برچسب پیشنهاد شده است که برچسب ها را به کاربران توصیه می کند تا منابع آنلاین مورد علاقه خود را حاشیه نویسی کنند. نویسنده همچنین الگوریتم‌هایی را پیشنهاد می‌کند که از داده‌های برچسب‌گذاری ارائه‌شده توسط کاربر بهره‌برداری می‌کنند و توصیه‌های دقیق‌تری تولید می‌کنند. بر اساس این ایده، او نشان می‌دهد که چگونه می‌توان از برچسب‌ها برای توضیح توصیه‌های تولید شده به طور خودکار به شکلی واضح و قابل درک به کاربر استفاده کرد. فاتح گدیکلی با کتاب خود چشم اندازی از نسل بعدی سیستم های توصیه در حوزه وب اجتماعی به ما می دهد.

​There is an increasing demand for recommender systems due to the information overload users are facing on the Web. The goal of a recommender system is to provide personalized recommendations of products or services to users. With the advent of the Social Web, user-generated content has enriched the social dimension of the Web. As user-provided content data also tells us something about the user, one can learn the user’s individual preferences from the Social Web. This opens up completely new opportunities and challenges for recommender systems research. Fatih Gedikli deals with the question of how user-provided tagging data can be used to build better recommender systems. A tag recommender algorithm is proposed which recommends tags for users to annotate their favorite online resources. The author also proposes algorithms which exploit the user-provided tagging data and produce more accurate recommendations. On the basis of this idea, he shows how tags can be used to explain to the user the automatically generated recommendations in a clear and intuitively understandable form. With his book, Fatih Gedikli gives us an outlook on the next generation of recommendation systems in the Social Web sphere.