Due to the advance of social media

Due to the advance of social media technologies, it becomes easier for users to gather together to form groups online. Take the Last.fm for example (which is a popular music sharing website), users with common interests can join groups where they can share and discuss their loved songs. However, since the number of groups grows over time, users often need effective group recommendation (also called affiliation or community recommendation) in order to meet like-minded users. In this paper, based on the matrix factorization mechanism, we have investigated how to improve the accuracy of group recommendation by fusing other potentially useful information resources. Particulary, we adopt the collective factorization model to incorporate the user-item preference data, and the similarity-integrated regularization model to fuse the friendship data. The experiment on two real-world datasets (namely Last.fm and Douban) shows the outperforming impact of the chosen models relative to others on addressing the data sparsity problem and enhancing the algorithm’s accuracy. Moreover, the experimental results identify that the user-item preference data can be more effective than the friendship in terms of benefiting the group recommendation.

결과 (한국어) 1:

소셜 미디어 기술의 발전으로 인해 함께 온라인 그룹을 수집 하기 위해 사용자가 쉽게 된다. (이 대 중 음악 공유 웹사이트) 예 Last.fm, 공통 관심사를 가진 사용자가 공유 하 고 그들의 사랑된 노래를 논의 수 있는 그룹에 가입 수 있습니다. 그러나, 그룹의 수는 시간이 지남에 따라 성장, 이후 사용자가 자주 필요 효과적인 그룹 추천 (소속 또는 커뮤니티 추천 라고도 함) 같은 생각을 가진 사용자를 만족 시키기 위하여. 행렬 인수 분해 메커니즘에 따라이 문서에서 우리 다른 잠재적으로 유용한 정보 리소스를 융합 하는 여 그룹 추천의 정확도 개선 하는 방법을 조사 했습니다. Particulary, 우리 항목 사용자 기본 설정 데이터를 통합 하 집단 인수 분해 모델과 유사성 통합 조정 모델 우정 데이터 융합을 채택 한다. (즉 Last.fm와 Douban) 두 개의 실제 데이터 집합에 실험 데이터 희박도 문제를 해결 하 고 알고리즘의 정확도 향상에 다른 사람을 기준으로 선택한 모델의 outperforming 영향을 보여준다. 또한, 실험 결과 항목 사용자 기본 설정 데이터 그룹 추천 혜택 측면에서 우정 보다 더 효과적일 수 식별 합니다.

결과 (한국어) 2:

인한 사회 미디어 기술의 발전으로, 그것은 사용자가 온라인 그룹을 형성하기 위해 함께 수집하기 쉬워진다. (대중 음악 공유 사이트입니다) 예를 들어, Last.fm을 가지고, 공통의 관심사를 가진 사용자는 공유하고 자신의 사랑 노래를 논의 할 수있는 그룹에 가입하실 수 있습니다. 그룹의 수는 시간이 지남에 따라 성장 때문에, 사용자들은 같은 생각을 가진 사용자를 충족하기 위해 유효 그룹 추천 (또한 제휴 또는 지역 사회 추천)가 필요합니다. 매트릭스 인수 분해 메카니즘에 기초하여이 논문에서는 다른 잠재적으로 유용한 정보 자원을 융합시킴으로써 그룹 추천의 정확도를 개선하는 방법을 연구 하였다. 서 특히, 우리는 사용자가 항목의 우선 순위 데이터를 포함하는 공동 인수 분해 모델을 채용하고, 유사도 집적 정규화 모델 친구 데이터를 융합. 두 실제 데이터 세트 (즉 Last.fm 및 Douban)의 실험 데이터 희소성 문제를 해결하고 알고리즘의 정확도를 향상시키는 다른 사용자에 선택된 모델의 상대적인 상회 영향을 보여준다. 또한, 실험 결과는 사용자의 선호 아이템 데이터 그룹 추천 혜택 환산 친구보다 더 효과적 일 수 있음을 확인한다.

결과 (한국어) 3:

이 사회 미디어 기술 미리, 더 쉽게 모아 형식의 사용자 - 그룹.음악 예를 들어 가 (이 유행 음악 공유 사이트) 과 함께 공동 이익에 수 있는 사용자 그룹 토론 때, 그 사랑 노래 나눌 수 있다.근데 더 많은 사람들 시간사용자 자주 반드시 효과적인 그룹 추천 (일명 연락 또는 사회 추천) 을 의기가 투합되는 사용자.이 글은 행렬 분석 과정에 따라, 우리는 이미 조사 어떻게 정확도를 향상시킬 따라 다른 그룹 융합 유용한 정보를 자원.특히우리는 정상적인 집단 분해 모델 사용자 데이터 프로젝트 선호, 비슷한 완전한 정규 모델 데이터 퓨즈 우정.두 실제 데이터 세트 테스트 (음악, 콩) 는 선택 모드 및 관련 영향을 다른 문제 해결 방법을 데이터 성긴 정도 강화하다.또 테스트 결과 확인 할 수 있는 사용자 데이터 항목 선택 더 우정 그룹 대한 건의를 것입니다.