A Comprehensive Survey on Recommender Systems Techniques and Challenges in Big Data Analytics with IoT Applications
Notice bibliographique
Résumé
Purpose: Purpose of this research is to carry out survey on Recommendation systems techniques in Big Data Analytics. This article presents designing of recommender systems and evaluates it with help of various performance metrics in IoT applications. Theoretical framework: With fast development and applications of Internet of Things, large amount of user data is generated and accumulated every day. Growth of media consumption in online social networks is exponential which requires an efficient and effective recommendation system to enhance excellence in experience for users. Recommender systems help users to overcome Information Overload problem by providing them relevant contents. Method/design/approach: The main aspect of recommender system is how to take complete advantage of this ubiquitous data. Recommender system is mainly used to guess or predict users’ interests and make relevant recommendations. Collaborative filtering is the technique that uses the relationships between users and between items in order to build a prediction. Collaborative filtering algorithms are mainly categorized as model-based methods and memory-based methods. In this article, various methods to build recommender system are described. Similarly, Collaborative filtering uses Pearson cosine, cosine vector, Jaccard similarity to identify same users or items. Recommender system has various applications in domain such as healthcare, transportation, agriculture, e-media etc. Findings: Evaluation of recommender system with help of metrics such as Precision and Recall is presented. Comparison of experimental results is presented with help of MAE and RMSE. Recommendation system helps to discover relevant insights and can be one of the vital technologies in future IoT solutions. Research, Practical & social implications: The research makes significant contribution by providing survey of existing recommender systems along with challenges faced while designing effective and accurate recommender. Various similarity measures to find similar users or items are investigated with future pointer direction. Recommender system help in decision making process. Originality/value: The results and conclusion obtained in this research are helpful in development of novel Recommender systems which definitely assist users to overcome Information Overload issue. It helps user to save network load as well.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».