Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 109,880,613

 Content-Based Collaborative Filtering using Word Embedding: A Case Study on Movie Recommendation
Tác giả hoặc Nhóm tác giả: Luong Vuong Nguyen, Tri-Hai Nguyen, and Jason J. Jung*
Nơi đăng: In Proceedings of ACM SIGAPP 11st International Conference on Research in Adaptive and Convergent Systems (RACS 2020). DOI:10.1145/3400286.3418253; Số: 978-1-4503-8025-6;Từ->đến trang: 96-100;Năm: 2020
Lĩnh vực: Công nghệ thông tin; Loại: Báo cáo; Thể loại: Quốc tế
TÓM TẮT
ABSTRACT
The lack of sufficient ratings will reduce effectively modeling user reference and finding trustworthy similar users in collaborative filtering (CF)-based recommendation systems, also known as a cold-start problem. To solve this problem and improve the efficiency of recommendation systems, we propose a new content-based CF approach based on item similarity. We apply the model in the movie domain and extract features such as genres, directors, actors, and plots of the movies. We use the Jaccard coefficient index to covert the extracted features such as genres, directors, actors to the vectors while the plot feature is converted to the semantic vectors. Then, the similarity of the movies is calculated by soft cosine measure based on vectorized features. We apply the word embedding model (i.e., Word2Vec) for representing the plots feature as semantic vectors instead of using traditional models such as a binary bag of words and a TF-IDF vector space. Experiment results show the superiority of the proposed system in terms of accuracy, precision, recall, and F1 scores in cold-start conditions compared to the baseline systems.
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn