Mobile Social Recommendation Model Integrating Users’ Personality Traits and Relationship Strength under Privacy Concerns
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Aiming at the problem of data sparsity, cold start, and privacy concerns in complex information recommendation systems, such as personalized marketing on Alibaba or TikTok, this paper proposes a mobile social recommendation model integrating users’ personality traits and social relationship strength under privacy concerns (PC-MSPR). Firstly, PC-MSPR focuses on specific personality traits, including openness, extraversion, and agreeableness, and their impacts on mobile users’ online behaviors. A personality traits calculation method that incorporates privacy preferences (PP-PTM) is then introduced. Secondly, a novel method for calculating the users’ relationship strength, based on their social network interactive activities and domain ontologies (AI-URS) is proposed. AI-URS divides the interactive activities into activity domains and calculates the strength of relationships between users belonging to the same activity domain; at the same time, the comprehensive relationship strength of users in the same domain, including direct relationships and indirect relationships, is calculated based on interactive activity documents. Finally, social recommendations are derived by integrating personality traits and social relationships to calculate user similarity. The proposed model is validated using empirical data. The results show the model’s superiority in alleviating data sparsity and cold-start problems, obtaining higher recommendation precision, and reducing the impact of privacy concerns regarding the users’ adoption of personalized recommendation services.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle