As social group oriented services a

As social group oriented services are growing rapidly in recent years, recommender systems need to adapt to this new trend to offer better service. This paper studies the group recommendation problem that aims at recommending items to ad hocly formed target groups. We proposed a probablistic personal impact topic (PIT) model to effectively address this problem. In the PIT model, we introduced the personal impact parameter to describe different influence of users on the group decision making process, and identify the recommended items by collectively consider users personal preferences and their personal influences. Therefore, we naturally capture the fact that influencial users have higher chances to affect group selection decisions. Under the general assumption that individual user preference pro-files are not available, we designed a learning algorithm to inference the personal impacts and user preferences purely from group selection history. Furthermore, we exploit other social network features such as degree distributions to help refine the parameter inference in an extended PIT (E-PIT) model. Via comprehensive evaluations, we demonstrate that our proposed models bring great recommendation improvements over baseline approaches.

결과 (한국어) 1:

사회 그룹으로 지향된 서비스는 최근 몇 년 동안, 더 나은 서비스를 제공 하는이 새로운 트렌드에 적응을 해야 하는 시스템이 추천자에에서 빠르게 성장 하고있다. 이 종이를 광고 hocly 형성 대상 그룹 항목을 추천을 목표로 그룹 추천 문제를 공부 한다. 우리는 효과적으로이 문제를 해결 하기 위해 probablistic 개인 영향 항목 (구 덩이) 모델을 제안 했다. 핏 모델에 우리가 도입 과정과 권장 식별 그룹 결정 만들기에 사용자의 다른 영향을 설명 하기 위해 개인 영향 매개 변수 항목에 의해 집합적으로 사용자 개인 환경 설정 및 그들의 개인 영향 고려. 따라서, 우리는 자연스럽 게 사실을 영향력 있는 사용자 그룹 선택 결정을 영향을 미치는 더 높은 기회를 캡처합니다. 개별 사용자 기본 설정 프로 파일은 일반 가정에서 사용할 수, 우리 설계 유추 하는 학습 알고리즘 개인 영향 및 그룹 선택 역사에서 순전히 사용자 기본 설정. 또한, 우리는 확장된 핏 (E-구 덩이) 모델에서 매개 변수 유추를 구체화할 수 있도록 학위 배포판 등 다른 소셜 네트워크 기능을 악용 합니다. 종합 평가 통해 우리는 우리의 제안된 모델 초기 접근에 좋은 추천 개선가지고 보여 줍니다.

결과 (한국어) 2:

사회 집단 지향 서비스를 최근에 급속하게 성장되기 때문에, 추천 기 시스템은 더 나은 서비스를 제공하는 새로운 추세에 적응할 필요가있다. 이 논문은 광고 hocly 형성 대상 그룹에 항목을 추천 목표로 그룹 추천 문제를 연구합니다. 우리는 효율적으로이 문제를 해결하기 위해 probablistic 개인 충격 주제 (PIT) 모델을 제안 하였다. PIT 모델에서는, 그룹 의사 결정 프로세스에 대한 다른 사용자들의 영향을 설명하고, 사용자 개인의 선호도 총칭하고 개인의 영향을 고려하여 추천 상품을 식별하는 개인 충격 파라미터를 도입했다. 따라서 자연적 영향력있는 사용자 그룹 선택 결정에 영향을 미칠 더 높은 가능성을 가지고 있다는 사실을 캡처. 개별 사용자 환경 설정 프로 파일을 사용할 수없는 것을 일반 가정에서, 우리는 순수 그룹 선택 기록에서 개인에 미치는 영향 및 사용자 환경 설정을 추론 할 수있는 학습 알고리즘을 설계했습니다. 또한, 우리는 확장 된 PIT (E-PIT) 모델의 매개 변수 추론을 수정하기 위해 이러한 정도의 분포와 같은 다른 소셜 네트워크 기능을 이용한다. 종합적인 평가를 통해, 우리는 우리의 제안 모델은 기본 접근 방식을 통해 좋은 추천 개선을 가져올 것을 보여줍니다.

결과 (한국어) 3:

사회 단체의 서비스 급속도로 증가하고 최근 몇 년 동안, - - - 시스템 적응 이 새로운 추이 더 나은 서비스를 제공한다.이 글은 - 위한 그룹 문제를 추천 항목 hocly 타깃을 광고 형성.우리는 하나의 확률이 개인 충격 주제 모델 (구덩이) 이 문제를 해결할 수 있다.피팅 모델 중, 우리는 소개 개인 영향을 사용자 매개 변수 영향을 대한 다른 그룹 결정 과정, 모든 게 있다고 추천 항목 사용자의 개인 선호, 그 사람의 영향을 줄 수 있다.때문에, 우리는 당연히 캡처 사실을 높은 영향 영향 사용자 기회를 그룹 선택 결정했다.일반 가정 아래 개인 사용자의 선호 친 파일 안 된다, 우리 디자인 학습 방법을 개인 영향 및 사용자 환경설정 추리 순전히 그룹 선택 역사.또 우리 개발 등 다른 사회 네트워크 기능이 분포 변수 도움을 정도 더 큰 구덩이 추리 (e-pit) 모델.종합 평가 통해 우리는 따르면 이 모델 큰 진보가 가져다 것을 확인하는 방법.