Trust for Intelligent Recommendation

سیستم های توصیه گر یکی از اختراعات اخیر برای مقابله با اضافه بار اطلاعاتی در حال رشد در رابطه با انتخاب کالاها و خدمات در اقتصاد جهانی است. فیلتر مشارکتی (CF) یکی از محبوب ترین تکنیک ها در سیستم های توصیه گر است. CF بر اساس ترجیحات مجموعه ای از کاربران مشابه که به نام همسایه ها شناخته می شوند، مواردی را به کاربر هدف توصیه می کند که از پایگاه داده ای ساخته شده از ترجیحات کاربران گذشته ایجاد شده است. در غیاب این رتبه‌بندی‌ها، می‌توان از اعتماد بین کاربران برای انتخاب همسایه برای توصیه استفاده کرد. توصیه های بهتری را می توان با استفاده از یک شبکه اعتماد استنباط شده که از توصیه های دنیای واقعی "دوست یک دوست" تقلید می کند، بدست آورد. برای گسترش مرزهای همسایه، یک تکنیک استنتاج اعتماد موثر مورد نیاز است.

این کتاب یک تکنیک تداخل اعتماد به نام گراف موازی سری مستقیم (DSPG) را پیشنهاد می‌کند که از نظر تجربی از سایر الگوریتم‌های استنباط اعتماد محبوب مانند TidalTrust و MoleTrust بهتر عمل کرده است. برای مواقعی که داده‌های اعتماد صریح و قابل اعتماد در دسترس نیست، این کتاب روش جدیدی به نام SimTrust را برای توسعه شبکه‌های اعتماد بر اساس شباهت علاقه کاربر به تصویر می‌کشد. برای شناسایی شباهت علاقه، از اطلاعات برچسب‌گذاری شخصی کاربر استفاده می‌شود. با این حال، تاکید خاصی بر روی منابعی که کاربر برای برچسب گذاری انتخاب می کند، به جای متن برچسب اعمال شده، داده می شود. مشترکات منابع برچسب گذاری شده توسط کاربران می تواند برای تشکیل همسایگان مورد استفاده در سیستم توصیه کننده خودکار استفاده شود. از طریق یک سری مطالعات موردی و نتایج تجربی، این کتاب اثربخشی این روش مبتنی بر شباهت برچسب را بر رویکرد فیلترینگ مشترک سنتی، که معمولاً از داده‌های رتبه‌بندی استفاده می‌کند، برجسته می‌کند.

Trust for Intelligent Recommendation به عنوان یک راهنمای مرجع برای توسعه سیستم‌های توصیه‌گر مبتنی بر اعتماد، برای پزشکان در نظر گرفته شده است. محققان در زمینه مرتبط نیز این کتاب را ارزشمند خواهند یافت.

Recommender systems are one of the recent inventions to deal with the ever-growing information overload in relation to the selection of goods and services in a global economy. Collaborative Filtering (CF) is one of the most popular techniques in recommender systems. The CF recommends items to a target user based on the preferences of a set of similar users known as the neighbors, generated from a database made up of the preferences of past users. In the absence of these ratings, trust between the users could be used to choose the neighbor for recommendation making. Better recommendations can be achieved using an inferred trust network which mimics the real world “friend of a friend” recommendations. To extend the boundaries of the neighbor, an effective trust inference technique is required.

This book proposes a trust interference technique called Directed Series Parallel Graph (DSPG) that has empirically outperformed other popular trust inference algorithms, such as TidalTrust and MoleTrust. For times when reliable explicit trust data is not available, this book outlines a new method called SimTrust for developing trust networks based on a user’s interest similarity. To identify the interest similarity, a user’s personalized tagging information is used. However, particular emphasis is given in what resources the user chooses to tag, rather than the text of the tag applied. The commonalities of the resources being tagged by the users can be used to form the neighbors used in the automated recommender system. Through a series of case studies and empirical results, this book highlights the effectiveness of this tag-similarity based method over the traditional collaborative filtering approach, which typically uses rating data.

Trust for Intelligent Recommendation is intended for practitioners as a reference guide for developing improved, trust-based recommender systems. Researchers in a related field will also find this book valuable.