Context-Aware Recommendation Systems Using Consensus-Clustering
Notice bibliographique
Résumé
Recommendation Systems (RSs) have proved a compelling performance to overcome the data overload problem. Context-aware recommenders guide users/clients to more personalized recommendations. Incorporating contextual features in recommendation systems improves the systems’ accuracy; however, they still suffer from sparsity and scalability problems which impact the quality of recommendations. In this paper, to overcome these limitations, we propose a context-aware recommendation system using the notion of consensus clustering, named CARS-CC. The proposed recommendation system is experimentally evaluated using contextual Pre-filtering and Post-filtering approaches. Experimental results show that the concept of consensus learning using clustering analysis can significantly improve the recommender systems’ accuracy. The proposed method surpasses the other recommendation algorithms in terms of accuracy, precision and recall, particularly using the Hybrid Bipartite Graph Formulation (HBGF) method. In addition, CARS-CC(hgpa) has outperformed all other clustering techniques in terms of MAE and RMSE with 23.73% and 7.54%, respectively. The MAE and RMSE results show that consensus clustering leads to better accuracy measures and a more stable resilient recommendation system. The response time taken to generate recommendations using post-filtering is less than that of the pre-filtering approach. The CARS-CC(HGPA) in the post-filtering approach; generates recommendations 58.4% faster than pre-filtering, which speeds up the recommendation process and facilitates real-time response.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».