Probabilistic Reinforcement Rules for Item-Based Recommender Systems

Sylvain Castagnos 1, * Armelle Brun 1 Anne Boyer 1
* Auteur correspondant
1 KIWI - Knowledge Information and Web Intelligence
LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications
Abstract : The Internet is constantly growing, proposing more and more services and sources of information. Modeling personal preferences enables recommender systems to identify relevant subsets of items. These systems often rely on filtering techniques based on symbolic or numerical approaches in a stochastic context. In this paper, we focus on item-based collaborative filtering (CF) techniques. We propose a new approach combining a classic CF algorithm with a reinforcement model to get a better accuracy. We deal with this issue by exploiting probabilistic skewnesses in triplets of items.
Type de document :
Communication dans un congrès
ECCAI. 18th European Conference on Artificial Intelligence (ECAI 2008), Jul 2008, Patras, Greece. 2008
Liste complète des métadonnées

Littérature citée [4 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00329560
Contributeur : Sylvain Castagnos <>
Soumis le : dimanche 12 octobre 2008 - 23:25:14
Dernière modification le : jeudi 11 janvier 2018 - 06:22:10
Document(s) archivé(s) le : lundi 7 juin 2010 - 19:28:20

Fichier

525-ECAI08-CastagnosBrunBoyer-...
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00329560, version 1

Collections

Citation

Sylvain Castagnos, Armelle Brun, Anne Boyer. Probabilistic Reinforcement Rules for Item-Based Recommender Systems. ECCAI. 18th European Conference on Artificial Intelligence (ECAI 2008), Jul 2008, Patras, Greece. 2008. 〈inria-00329560〉

Partager

Métriques

Consultations de la notice

222

Téléchargements de fichiers

140