Towards latent context-aware recommendation
systems
a b s t r a c t The emergence and penetration of
smart mobile devices has given rise to the development of context- aware systems
that utilize sensors to collect available data about users in order to improve
various user services. Recently, the use of context-aware recommender systems
(CARS) aimed at recommending items to users has expanded, particularly those
that consider user context. Adding context to recommendation systems is
challenging, because the addition of various environmental contexts to the
recommendation process results in the expansion of its dimensionality, and thus
increases sparsity. Therefore, existing CARS tend to incorporate a small set of
pre-defined explicit contexts which do not necessary represent user context or
reflect the optimal set of features for the recommendation process. We suggest a
novel approach centered on representing environmental features as low
dimensional unsupervised latent con- texts. We extract data from a rich set of
mobile sensors in order to infer unexplored user contexts in an unsupervised
manner. The latent contexts are hidden context patterns modeled as numeric
vectors which are efficiently extracted from raw sensor data. The latent
contexts are automatically learned for each user utilizing unsupervised deep
learning techniques and PCA on the data collected from the user’s mobile phone.
Integrating the data extracted from high dimensional sensors into a new latent
context-aware recommendation algorithm results in up to a 20% increase in
recommendation accuracy.
Keywords: Recommendation Recommender systems
Context-aware recommender systems Context Matrix factorization Deep learning
ترجمه چکیده مقاله:
به سوی سیستم های توصیه ای مبتنی بر زمینه پنهان
موشه انگر، آریل بار، براکا شاپیرا، لیور روکاچ
کلمات کلیدی: توصیه شده، سیستم های توصیه کننده، سیستم های توصیف کننده اگه از
زمینه، زمینه، فاکتورگیری اموزش عمیق
چکیده
ظهور و نفوذ دستگاه های هوشمند تلفن همراه، توسعه سیستم های متفاوت اطلاعاتی است
که از سنسورها برای جمع آوری داده های موجود در مورد کاربران برای بهبود خدمات
مختلف کاربر استفاده می کنند. به تازگی، استفاده از سیستم های پیشنهاد دهنده متداول
(CARS) با هدف توصیه به اقلام به کاربران گسترش یافته است، به ویژه آنهایی که زمینه
کاربر را بررسی می کنند. اضافه کردن زمینه به سیستم های توصیه شده چالش برانگیز
است، زیرا اضافه کردن زمینه های مختلف محیطی به فرآیند توصیه باعث گسترش ابعاد آن
می شود و به این ترتیب، سرعت را افزایش می دهد. بنابراین CARS های موجود به یک
مجموعه کوچک از زمینه های صریح از پیش تعریف شده تمایل دارند که نیازی به توصیف
زمینه کاربر و یا بازتاب مجموعه ای بهینه از ویژگی های فرایند توصیه ای ندارند. ما
یک رویکرد جدید را در زمینه ارائه ویژگی های زیست محیطی به عنوان محدوده های
نامعتبر بدون نظارت کمتری ارائه می کنیم. ما داده ها را از یک مجموعه غنی از
سنسورهای تلفن همراه استخراج می کنیم تا زمینه های ناشناخته کاربر را به نحو بی
نظیر به دست بیاوریم. زمینه های پنهان، الگوهای زمینه مخفی هستند که به عنوان
بردارهای عددی طراحی شده اند که از اطلاعات حسگر خام استخراج می شوند. زمینه های
پنهان به طور خودکار برای هر کاربر با استفاده از تکنیک های یادگیری عمیق بدون
نظارت و PCA بر روی داده های جمع آوری شده از تلفن همراه کاربر آموخته می شود.
یکپارچه سازی داده های استخراج شده از سنسورهای بعدی به یک الگوریتم پیشنهادی جدید
علمی ناپیوسته، موجب افزایش 20٪ افزایش دقت توصیه شده می شود.