Recommender Systems for Social Tagging Systems

سیستم‌های برچسب‌گذاری اجتماعی برنامه‌های کاربردی وب هستند که در آنها کاربران منابع (مانند نشانک‌ها، ویدیوها، عکس‌ها و غیره) را آپلود می‌کنند و آن را با فهرستی از کلمات کلیدی انتخاب شده آزادانه به نام برچسب‌ها حاشیه‌نویسی می‌کنند. این یک رویکرد مردمی برای سازماندهی یک سایت و کمک به کاربران برای یافتن منابع مورد نظرشان است. سیستم های برچسب گذاری اجتماعی باز و ذاتا اجتماعی هستند. ویژگی هایی که ثابت شده است مشارکت را تشویق می کند. با این حال، با محبوبیت زیاد این سیستم ها و افزایش حجم محتوایی که توسط کاربر ارائه می شود، اضافه بار اطلاعات به سرعت تبدیل به یک موضوع می شود. سیستم‌های توصیه‌کننده، برنامه‌های شناخته شده‌ای برای افزایش سطح محتوای مرتبط بیش از «نویز» هستند که با در دسترس قرار گرفتن محتوای آنلاین بیشتر و بیشتر، به طور مداوم افزایش می‌یابد. با این حال، در سیستم های برچسب گذاری اجتماعی، ما با چالش های جدیدی روبرو هستیم. در حالی که در سیستم های توصیه گر کلاسیک حالت توصیه اساسا منبع است، در سیستم های برچسب گذاری اجتماعی سه حالت ممکن برای توصیه وجود دارد: کاربران، منابع یا برچسب ها. بنابراین روش‌های مناسبی مورد نیاز است که از ابعاد مختلف داده‌های سیستم‌های برچسب‌گذاری اجتماعی به درستی بهره‌برداری کند. در این کتاب، ما جدیدترین و پیشرفته‌ترین کارها را در مورد نسل کاملاً جدیدی از سیستم‌های توصیه‌گر ساخته شده برای خدمت به سیستم‌های برچسب‌گذاری اجتماعی بررسی می‌کنیم. این کتاب به فصل‌های مستقلی تقسیم می‌شود که مطالب پس‌زمینه سیستم‌های برچسب‌گذاری اجتماعی و سیستم‌های توصیه‌کننده را تا تکنیک‌های پیشرفته‌تر مانند تکنیک‌های مبتنی بر فاکتورسازی تانسور و مدل‌های مبتنی بر نمودار پوشش می‌دهد.

Social Tagging Systems are web applications in which users upload resources (e.g., bookmarks, videos, photos, etc.) and annotate it with a list of freely chosen keywords called tags. This is a grassroots approach to organize a site and help users to find the resources they are interested in. Social tagging systems are open and inherently social; features that have been proven to encourage participation. However, with the large popularity of these systems and the increasing amount of user-contributed content, information overload rapidly becomes an issue. Recommender Systems are well known applications for increasing the level of relevant content over the “noise” that continuously grows as more and more content becomes available online. In social tagging systems, however, we face new challenges. While in classic recommender systems the mode of recommendation is basically the resource, in social tagging systems there are three possible modes of recommendation: users, resources, or tags. Therefore suitable methods that properly exploit the different dimensions of social tagging systems data are needed. In this book, we survey the most recent and state-of-the-art work about a whole new generation of recommender systems built to serve social tagging systems. The book is divided into self-contained chapters covering the background material on social tagging systems and recommender systems to the more advanced techniques like the ones based on tensor factorization and graph-based models.