Notice bibliographique
Résumé
Most of the recommender systems are built for the content or item providers. For example, Netflix recommends movies or TV shows, Amazon recommends books or other items being sold on Amazon, Facebook or Twitter recommends popular posts or tweets, Pinterest recommends related pins, YouTube recommends videos, etc. Most of these recommender systems are designed based on the usage data collected on their own websites. However, sometimes it could be helpful if we could get information about recommended items from multiple data sources, providing multiple perspectives for users to make their decisions. In this research work, we study different approaches to integrate multiple data sources and the effect on the recommendation results when multiple data sources are used to recommend items. We propose a multiple data source-based movie recommender system that uses MovieLens rating data, YouTube movie trailer data, Netflix rating data, and tweets from Twitter. The user feedback data such as likes, dislikes, comments on movie trailers posted on YouTube can be helpful side information for movie recommender systems. In this research work, we study the effect of adding these side information to the movie rating data. Our proposed recommendation framework can integrate the trailer and rating data adopting various integration strategies: integrating all the trailer data as movie features, using sentiment scores derived from the trailer comments as a rating matrix to integrate with the movie rating matrix, and treating others as the movie features, or only integrating the sentiment score based rating matrix with the movie rating matrix. Our experiment shows that if we include the movie trailer data, recommendation accuracy is improved. We also find that the most accurate result is achieved if all the trailer feedback data is integrated as movie features. We use both Matrix Factorization (MF) and Deep Neural Network (DNN) Models to design our system. We find that the DNN model performs better than the MF model. Our results show that when we include multiple data sources to recommend items using the DNN model, the recommendation accuracy (F1 score) is increased by 41% on average comparing to the case when only one data source is used.
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 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».