دوره 8، شماره 2 - ( 6-1400 )
جلد 8 شماره 2 صفحات 78-67 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mohammadian S, Naghshineh N, Nakhoda M. Cross-Domain Recommendations: Foundations, Applications, and Challenges. Human Information Interaction 2021; 8 (2)
URL: http://hii.khu.ac.ir/article-1-2960-fa.html
URL: http://hii.khu.ac.ir/article-1-2960-fa.html
محمدیان سجاد، نقشینه نادر، ناخدا مریم. توصیههای دامنه‌های متقابل: مروری بر مبانی، کاربردها و چالش‌ها. تعامل انسان و اطلاعات. 1400; 8 (2)
دانشگاه تهران، تهران، ایران
چکیده: (2824 مشاهده)
زمینه و هدف: منظور از توصیههای دامنه‌های متقابل یعنی به جای پرداختن به هر دامنه به طور مستقل، دانش بدست‌آمده در یک دامنه (منبع) را به دامنه (هدف) دیگری منتقل و در آن به کار گرفت. مقاله حاضر با مرور نظام‌مند درپی بررسی پژوهش‌های این حوزه از نظر مبانی، کاربردها و چالش‌ها است.
روش پژوهش: در مطالعه حاضر، از چارچوب مطالعه نظام‌مند پریسما استفاده شده است. جست‌وجو در منابع اطلاعات علمی فارسی و انگلیسی با کلیدواژه‌های مرتبط انجام و 98 منبع به زبان انگلیسی در بازه زمانی 2007 تا 2021 یافت شد. با اعمال پالایش اولیه، معیارهای ورود و خروج از مطالعه و کنترل توسط متخصصان، تعداد 28 منبع انگلیسی برای ورود به مرور نظام‌مند انتخاب شدند.
یافته‌ها: بر مبنای دامنه، چهار سطح توصیههای دامنه‌های متقابل؛ مشخصه یا خصیصه، نوع، مورد و سامانه وجود دارد. برای پیش‌بینی نظرات کاربران در توصیههای بین دامنه‌ای از الگوریتم‌ها یادگیری ماشین و برای ارزیابی پیش‌بینی‌های صورت گرفته براساس ماتریس درهم ریختگی از سه دسته معیارهای پیش‌بینی، رتبه‌بندی و طبقه‌بندی استفاده می‌شود. توصیههای دامنه‌های متقابل با انتقال دانش بین دامنه‌ها در افزایش صحت توصیه‌ها، رفع مسئله شروع سرد، فروش متقابل و بهبود شخصی‌سازی کاربرد دارد. اصلی‌ترین چالش توصیه دامنه‌های متقابل تفاوت‌های دامنه‌ها با هم است این تفاوت‌ها شامل عدم انطباق بین ویژگی‌های دامنه‌ها و مشخص نبودن روابط میان دامنه‌ها است. علاوه بر این، تفاوت در اندازه دامنه‌ها و عملکرد ضعیف الگوریتم‌های پایه در پیش‌بینی نظرات کاربران از دیگر چالش‌های پیش‌روی توصیههای دامنه‌های متقابل است.
نتیجه‌گیری: این حوزه موضوعی اگر چه در ده سال اخیر شکل گرفته است اما شتاب پرداختن به موضوع توسط پژوهشگران علوم رایانه و اطلاعات نشان از مهم بودن حوزه پژوهشی دارد. توصیههای دامنه‌های متقابل سطح مورد اصلی‌ترین دسته توصیههای دامنه‌های متقابل محسوب می‌شوند. با توجه به شکل‌گیری گروه‌های کسب‌کارهای الکترونیک، در آینده توصیههای متقابل در سطح سامانه‌ها بیشتر مورد توجه قرار خواهند گرفت. توصیههای دامنه‌های متقابل در بهبود عملکرد سامانه‌های توصیه‌گر، مدل‌سازی کاربر در تعامل انسان و رایانه، تجارت الکترونیک می‌توان استفاده می‌شوند.
روش پژوهش: در مطالعه حاضر، از چارچوب مطالعه نظام‌مند پریسما استفاده شده است. جست‌وجو در منابع اطلاعات علمی فارسی و انگلیسی با کلیدواژه‌های مرتبط انجام و 98 منبع به زبان انگلیسی در بازه زمانی 2007 تا 2021 یافت شد. با اعمال پالایش اولیه، معیارهای ورود و خروج از مطالعه و کنترل توسط متخصصان، تعداد 28 منبع انگلیسی برای ورود به مرور نظام‌مند انتخاب شدند.
یافته‌ها: بر مبنای دامنه، چهار سطح توصیههای دامنه‌های متقابل؛ مشخصه یا خصیصه، نوع، مورد و سامانه وجود دارد. برای پیش‌بینی نظرات کاربران در توصیههای بین دامنه‌ای از الگوریتم‌ها یادگیری ماشین و برای ارزیابی پیش‌بینی‌های صورت گرفته براساس ماتریس درهم ریختگی از سه دسته معیارهای پیش‌بینی، رتبه‌بندی و طبقه‌بندی استفاده می‌شود. توصیههای دامنه‌های متقابل با انتقال دانش بین دامنه‌ها در افزایش صحت توصیه‌ها، رفع مسئله شروع سرد، فروش متقابل و بهبود شخصی‌سازی کاربرد دارد. اصلی‌ترین چالش توصیه دامنه‌های متقابل تفاوت‌های دامنه‌ها با هم است این تفاوت‌ها شامل عدم انطباق بین ویژگی‌های دامنه‌ها و مشخص نبودن روابط میان دامنه‌ها است. علاوه بر این، تفاوت در اندازه دامنه‌ها و عملکرد ضعیف الگوریتم‌های پایه در پیش‌بینی نظرات کاربران از دیگر چالش‌های پیش‌روی توصیههای دامنه‌های متقابل است.
نتیجه‌گیری: این حوزه موضوعی اگر چه در ده سال اخیر شکل گرفته است اما شتاب پرداختن به موضوع توسط پژوهشگران علوم رایانه و اطلاعات نشان از مهم بودن حوزه پژوهشی دارد. توصیههای دامنه‌های متقابل سطح مورد اصلی‌ترین دسته توصیههای دامنه‌های متقابل محسوب می‌شوند. با توجه به شکل‌گیری گروه‌های کسب‌کارهای الکترونیک، در آینده توصیههای متقابل در سطح سامانه‌ها بیشتر مورد توجه قرار خواهند گرفت. توصیههای دامنه‌های متقابل در بهبود عملکرد سامانه‌های توصیه‌گر، مدل‌سازی کاربر در تعامل انسان و رایانه، تجارت الکترونیک می‌توان استفاده می‌شوند.
فهرست منابع
1. Azak, M (2010) Crossing: A Framework to Develop Knowledge-based Recommenders in Cross Domains. MSc thesis, Middle East Technical University
2. Batmaz, Z., Yurekli, A., Bilge, A., & Kaleli, C. (2018). A review on deep learning for recommender systems: challenges and remedies. Artificial Intelligence Review, 52(1), 1-37. doi: 10.1007/s10462-018-9654-y [DOI:10.1007/s10462-018-9654-y]
3. Chang, W., Zhang, Q., Fu, C., Liu, W., Zhang, G., & Lu, J. (2021). A cross-domain recommender system through information transfer for medical diagnosis. Decision Support Systems, 143, 113489. doi: 10.1016/j.dss.2020.113489 [DOI:10.1016/j.dss.2020.113489]
4. Cremonesi, P., Tripodi, A., Turrin, R.: Cross-domain Recommender Systems. 11th IEEE International Conference on Data Mining Workshops, pp. 496-503 (2011) [DOI:10.1109/ICDMW.2011.57]
5. Fernández Tobías, I. (2016). Matrix factorization models for cross-domain recommendation: addressing the cold start in collaborative filtering (PH.D). Universidad Autonoma.
6. Ferreras Fernández, T., Martín-Rodero, H., García-Peñalvo, F. J., & Merlo Vega, J. A. (2016). The systematic review of literature in LIS: an approach. In F. J. García-Peñalvo (Ed.), Proceedings of the Fourth International Conference on Technological Ecosystems for Enhancing Multiculturality (TEEM'16) (Salamanca, Spain, November 2-4, 2016) (pp. 291-298). New York, NY, USA: ACM . [DOI:10.1145/3012430.3012531]
7. Guo, Y., & Chen, X. (2013). A Framework for Cross-domain Recommendation in Folksonomies. Journal Of Automation And Control Engineering, 1(4), 326-331. doi: 10.12720/joace.1.4.326-331 [DOI:10.12720/joace.1.4.326-331]
8. Hao, P. (2019). Cross-domain RecommenderSystem Through Tag-basedModels (Ph.D). University of Technology Sydney.
9. Hashemi, S., & Rahmati, M. (2020). Cross-domain recommender system using generalized canonical correlation analysis. Knowledge And Information Systems, 62(12), 4625-4651. doi: 10.1007/s10115-020-01499-4 [DOI:10.1007/s10115-020-01499-4]
10. Jhaveri, M., & Pareek, J. (2012). Cross Domain Framework for Implementing Recommendation Systems Based on Context Based Implicit Negative Feedback. International Journal Of Information Systems And Social Change, 3(1), 22-36. doi: 10.4018/jissc.2012010103 [DOI:10.4018/jissc.2012010103]
11. Khanam, N. (2017). Cross Domain Collaborative Filtering Recommender Using Probabilistic Matrix Factorization. International Journal Of Advanced Research In Computer Science, 8(9), 234-249. doi: 10.26483/ijarcs.v8i9.4897 [DOI:10.26483/ijarcs.v8i9.4897]
12. Kumar, V., Shrivastva, K., & Singh, S. (2016). Cross Domain Recommendation Using Semantic Similarity and Tensor Decomposition. Procedia Computer Science, 85, 317-324. doi: 10.1016/j.procs.2016.05.239 [DOI:10.1016/j.procs.2016.05.239]
13. Loni, B, Shi, Y, Larson, M. A., Hanjalic, A.: Cross-Domain Collaborative Filtering with Factorization Machines. 36th European Conference on Information Retrieval (2014) [DOI:10.1145/2645710.2645771]
14. Melville, P., & Sindhwani, V. 2010. recommender systems. In Encyclopedia of Machine Learning. Springer US. [DOI:10.1007/978-0-387-30164-8_705]
15. Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. (2009). Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA Statement. Plos Medicine, 6(7), e1000097. doi: 10.1371/journal.pmed.1000097 [DOI:10.1371/journal.pmed.1000097] [PMID] []
16. Pourheidari, V. (2019). Cross Domain Recommender Systems Using Matrix and Tensor Factorizations (MS). University of Saskatchewan.
17. Q. Zhang, J. Lu and G. Zhang, "Cross-Domain Recommendation with Multiple Sources," 2020 International Joint Conference on Neural Networks (IJCNN), Glasgow, UK, 2020, pp. 1-7, doi: 10.1109/IJCNN48605.2020.9207014. [DOI:10.1109/IJCNN48605.2020.9207014]
18. Richa, & Bedi, P. (2018). Parallel proactive cross domain context aware recommender system. Journal Of Intelligent & Fuzzy Systems, 34(3), 1521-1533. doi: 10.3233/jifs-169447 [DOI:10.3233/JIFS-169447]
19. Richa, & Bedi, P. (2021). Trust and Distrust based Cross-domain Recommender System. Applied Artificial Intelligence, 35(4), 326-351. doi: 10.1080/08839514.2021.1881297 [DOI:10.1080/08839514.2021.1881297]
20. S. E. Thendral and C. Valliyammai, "Clustering based transfer learning in cross domain recommender system," 2016 Eighth International Conference on Advanced Computing (ICoAC), Chennai, India, 2017, pp. 51-54, doi: 10.1109/ICoAC.2017.7951744. [DOI:10.1109/ICoAC.2017.7951744]
21. sahabi, S. (2016). CANONICAL CORRELATION ANALYSIS IN CROSS-DOMAIN RECOMMENDATION (Ph.D). University of Pittsburgh.
22. Sahu, A., & Dwivedi, P. (2020). Knowledge transfer by domain-independent user latent factor for cross-domain recommender systems. Future Generation Computer Systems, 108, 320-333. doi: 10.1016/j.future.2020.02.024 [DOI:10.1016/j.future.2020.02.024]
23. Sahu, A., Dwivedi, P., & Kant, V. (2018). Tags and Item Features as a Bridge for Cross-Domain Recommender Systems. Procedia Computer Science, 125, 624-631. doi: 10.1016/j.procs.2017.12.080 [DOI:10.1016/j.procs.2017.12.080]
24. Shapira, B., Rokach, L., Freilikhman, S.: Facebook Single and Cross Domain Data for Rec-ommendation Systems. User Modeling and User-Adapted Interaction 23(2-3), pp. 211-247 (2013) [DOI:10.1007/s11257-012-9128-x]
25. Sharma, S., & Sharma, D. (2018). Systematic Study and Application of Machine Learning Algorithms in Recommender System Design. International Journal Of Computer Sciences And Engineering, 6(6), 1021-1026. doi: 10.26438/ijcse/v6i6.10211026 [DOI:10.26438/ijcse/v6i6.10211026]
26. Véras, D., Prudêncio, R., & Ferraz, C. (2019). CD-CARS: Cross-domain context-aware recommender systems. Expert Systems With Applications, 135, 388-409. doi: 10.1016/j.eswa.2019.06.020 [DOI:10.1016/j.eswa.2019.06.020]
27. Wang, H., Zuo, Y., Li, H., & Wu, J. (2021). Cross-domain recommendation with user personality. Knowledge-Based Systems, 213, 106664. doi: 10.1016/j.knosys.2020.106664 [DOI:10.1016/j.knosys.2020.106664]
28. Y. Tsai, C. Wuy, H. Hsuy, T. Liuy, P. Cheny and W. C. K. Liao, "A Cross-Domain Recommender System Based on Common-Sense Knowledge Bases," 2017 Conference on Technologies and Applications of Artificial Intelligence (TAAI), Taipei, Taiwan, 2017, pp. 80-83, doi: 10.1109/TAAI.2017.48. [DOI:10.1109/TAAI.2017.48]
29. Yu, X., Lin, J., Jiang, F., Du, J., & Han, J. (2018). A Cross-Domain Collaborative Filtering Algorithm Based on Feature Construction and Locally Weighted Linear Regression. Computational Intelligence And Neuroscience, 2018, 1-12. doi: 10.1155/2018/1425365 [DOI:10.1155/2018/1425365] [PMID] []
30. Zhang, Q., Lu, J., Wu, D., & Zhang, G. (2019). A Cross-Domain Recommender System With Kernel-Induced Knowledge Transfer for Overlapping Entities. IEEE Transactions On Neural Networks And Learning Systems, 30(7), 1998-2012. doi: 10.1109/tnnls.2018.2875144 [DOI:10.1109/TNNLS.2018.2875144] [PMID]
31. Zhang, Q., Wu, D., Lu, J., Liu, F., & Zhang, G. (2017). A cross-domain recommender system with consistent information transfer. Decision Support Systems, 104, 49-63. doi: 10.1016/j.dss.2017.10.002 [DOI:10.1016/j.dss.2017.10.002]
32. Zhang, Y., Cao, B., Yeung, D.-Y.: Multi-Domain Collaborative Filtering. 26th Conference on Uncertainty in Artificial Intelligence, pp. 725-732 (2010)
33. Zhang, Y., Ma, X., Wan, S., Abbas, H., & Guizani, M. (2018). CrossRec: Cross-Domain Recommendations Based on Social Big Data and Cognitive Computing. Mobile Networks And Applications, 23(6), 1610-1623. doi: 10.1007/s11036-018-1112-1 [DOI:10.1007/s11036-018-1112-1]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
