Trust-based Collective View Prediction

پیش‌بینی نمای جمعی، قضاوت در مورد نظرات یک کاربر فعال وب بر اساس عناصر ناشناخته با مراجعه به ذهن جمعی کل جامعه است. توصیه مبتنی بر محتوا و فیلتر مشارکتی دو تکنیک اصلی پیش‌بینی دیدگاه جمعی هستند. آنها پیش بینی هایی را با تجزیه و تحلیل ویژگی های متنی شی هدف یا شباهت رفتارهای گذشته کاربران ایجاد می کنند. با این حال، این تکنیک‌ها در برابر داده‌های نویز تزریقی مصنوعی آسیب‌پذیر هستند، زیرا قادر به قضاوت در مورد قابلیت اطمینان و اعتبار منابع اطلاعاتی نیستند. پیش‌بینی نمای جمعی مبتنی بر اعتماد رویکردهای جدیدی را برای مقابله با این مشکل با استفاده از روابط اعتماد کاربران از دیدگاه نظریه بنیادی، الگوریتم‌های پیش‌بینی دیدگاه جمعی مبتنی بر اعتماد و مطالعات موردی واقعی توصیف می‌کند.

این کتاب از دو بخش اصلی تشکیل شده است - یک مبانی نظری و یک مطالعه الگوریتمی. بخش اول چندین مفهوم و روش اساسی مرتبط با پیش‌بینی دیدگاه جمعی، مانند سیستم‌های توصیه‌کننده پیشرفته، تحلیل احساسات، دیدگاه جمعی، مدیریت اعتماد، رابطه دیدگاه جمعی و قابل اعتماد و اعتماد در دیدگاه جمعی را بررسی می‌کند. پیش بینی. در بخش دوم، نویسندگان مدل ها و الگوریتم های خود را بر اساس تجزیه و تحلیل کمی داده های بیش از 300 هزار کاربر از وب سایت های محبوب بررسی محصول ارائه می دهند. آنها همچنین دو الگوریتم پیش‌بینی مبتنی بر اعتماد جدید، یک الگوریتم مشارکتی مبتنی بر مدل پیاده‌روی تصادفی مرتبه دوم مارکوف و یک مدل برازش بیزی برای ترکیب چند پیش‌بین معرفی کردند.

مفاهیم مورد بحث، الگوریتم‌های توسعه‌یافته، نتایج تجربی، روش‌های ارزیابی و چارچوب تحلیل قوی شرح‌داده‌شده در پیش‌بینی نمای جمعی مبتنی بر اعتماد نه تنها بینش‌ها و یافته‌های ارزشمندی را برای تحقیقات مرتبط ارائه خواهند کرد. جوامع و همتایان، اما همچنین پتانسیل بزرگی را برای تشویق صنایع و شرکای تجاری به ادغام این تکنیک ها در برنامه های جدید نشان می دهد.

Collective view prediction is to judge the opinions of an active web user based on unknown elements by referring to the collective mind of the whole community. Content-based recommendation and collaborative filtering are two mainstream collective view prediction techniques. They generate predictions by analyzing the text features of the target object or the similarity of users’ past behaviors. Still, these techniques are vulnerable to the artificially-injected noise data, because they are not able to judge the reliability and credibility of the information sources. Trust-based Collective View Prediction describes new approaches for tackling this problem by utilizing users’ trust relationships from the perspectives of fundamental theory, trust-based collective view prediction algorithms and real case studies.

The book consists of two main parts – a theoretical foundation and an algorithmic study. The first part will review several basic concepts and methods related to collective view prediction, such as state-of-the-art recommender systems, sentimental analysis, collective view, trust management, the Relationship of Collective View and Trustworthy, and trust in collective view prediction. In the second part, the authors present their models and algorithms based on a quantitative analysis of more than 300 thousand users’ data from popular product-reviewing websites. They also introduce two new trust-based prediction algorithms, one collaborative algorithm based on the second-order Markov random walk model, and one Bayesian fitting model for combining multiple predictors.

The discussed concepts, developed algorithms, empirical results, evaluation methodologies and the robust analysis framework described in Trust-based Collective View Prediction will not only provide valuable insights and findings to related research communities and peers, but also showcase the great potential to encourage industries and business partners to integrate these techniques into new applications.