Original scientific paper

https://doi.org/10.17559/TV-20160602011232

Preporučeni pristup page-rank kolaborativnog filtriranja u digitalnim knjižnicama

Shanshan Guo orcid.org/0000-0003-3937-5769 ; Library, Zhejiang University of Finance and Economics, 18 Xueyuan Street, Xiasha, Hangzhou, China 310018
Wenyu Zhang orcid.org/0000-0002-8906-5411 ; Zhejiang University of Finance and Economics, 18 Xueyuan Street, Xiasha, Hangzhou, China 310018
Shuai Zhang ; Zhejiang University of Finance and Economics, 18 Xueyuan Street, Xiasha, Hangzhou, China 310018

Abstract

U sadašnje vrijeme opromnog broja podataka, eksplozivni porast digitalnih izvora u Digitalnim Knjižnicama - Digital Libraries (DLs) doveo je do ozbiljnog problema preopterećenja informacijama. Taj trend zahtijeva pristupe personaliziranih preporuka koji bi korisnike DL upoznali s digitalnim izvorima specifičnim za njihove individualne potrebe. U ovom radu predstavljamo personalizirani pristup preporuci digitalnog izvora koji kombinira tehnike PageRank i Collaborative Filtering (CF) u sjedinjenom okviru u svrhu preporuke odgovarajućih digitalnih izvora aktivnom korisniku generirajući i analizirajući mrežu u postojećem vremenu kako odnosa među korisnicima tako i odnosa među izvorima. Kako bi se obradila postojeća pitanja o postavljanju digitalnih knjižnica, uključujući nesigurne profile korisnika, nesigurna obilježja digitalnog izvora, oskudnost podataka i problem hladnog starta, ovaj rad adaptira personalizirani PageRank algoritam kako bi rangirao važnost izvora koji vodi računa o vremenu učinkovitijim CF, tražeći asocijativne linkove koji povezuju i aktivnog korisnika i njegove/njezine početno preferirane izvore. Također ocijenjujemo performansu predložene metodologije kroz analizu slučaja vezanog za tradicionalnu CF tehniku koja koristi iste podatke iz Digitalne knjižnice.

Keywords

digitalna knjižnica; društvena mreža; kolaborativno filtriranje; PageRank algoritam; pristup koji se preporučuje

Hrčak ID:

185443

URI

https://hrcak.srce.hr/185443

Publication date:

31.7.2017.

Article data in other languages: english

Visits: 2.409 *