Please use this identifier to cite or link to this item: http://cuir.car.chula.ac.th/handle/123456789/28125
Title: การกรองแบบร่วมมือกันสำหรับคลาสเดี่ยวโดยใช้ความสัมพันธ์เชิงสังคมออนไลน์
Other Titles: One-class collaborative filtering using online social relationships
Authors: สิรวิชญ์ สพโชค
Advisors: บุญเสริม กิจศิริกุล
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Advisor's Email: boonserm@cp.eng.chula.ac.th
Subjects: ระบบแนะนำ
ระบบกรองสารสนเทศ
เครือข่ายสังคมออนไลน์
Issue Date: 2554
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: ระบบแนะนำ (Recommender Systems) ที่มีในปัจจุบันส่วนใหญ่ ใช้เทคนิคการกรองแบบร่วมมือกัน (Collaborative Filtering) เพื่อทำนายความชอบของผู้ใช้เป้าหมายและให้คำแนะนำสำหรับช่วยเหลือกระบวนการตัดสินใจของผู้ใช้ เทคนิคการกรองแบบร่วมมือกันจะเรียนรู้ลักษณะความชอบของผู้ใช้ ด้วยข้อมูลพฤติกรรมต่อระบบของผู้ใช้ทั้งหมด อย่างไรก็ตาม เทคนิคการกรองแบบร่วมมือกันแบบพื้นฐานไม่สามารถให้คำแนะนำที่ถูกต้องได้เช่นเดิม ในสถานการณ์ของระบบที่ขาดแคลนข้อมูลป้อนกลับที่ชัดแจ้งหรือค่าคะแนนความชอบจากผู้ใช้ ปัญหาดังกล่าวส่งผลให้เกิดความสนใจในเทคนิคที่เรียกว่า การกรองแบบร่วมมือกันสำหรับคลาสเดี่ยว (One-class Collaborative Filtering) ซึ่งการประมวลผลของระบบแนะนำจะใช้การพิจารณาเฉพาะข้อมูลที่เป็นตัวอย่างบวกหรือข้อมูลป้อนกลับโดยปริยายเท่านั้น นอกจากนี้ การปรากฏตัวและเติบโตอย่างรวดเร็วของบริการเครือข่ายสังคมออนไลน์ ซึ่งมุ่งเน้นการสร้างแล้วสะท้อนปฏิสัมพันธ์เชิงสังคมระว่างผู้ใช้ด้วยกัน อีกทั้งยังอุดมไปด้วยข้อมูลบ่งบอกตัวตน ความสนใจ และกิจกรรมของผู้ใช้ทุกคน ทำให้มีโอกาสที่ใช้ในการปรับปรุงคุณภาพของการกรองแบบร่วมมือกันสำหรับคลาสเดี่ยวได้ ดังนั้นการวิจัยนี้ นำเสนอวิธีการใหม่สำหรับการกรองแบบร่วมมือกันสำหรับคลาสเดี่ยวโดยใช้ความสัมพันธ์เชิงสังคมออนไลน์ เพื่อเพิ่มความแม่นในการทำนายของระบบแนะนำ ข้อมูลความสัมพันธ์เชิงสังคมสามารถสะท้อนให้เห็นการจูงใจเชิงสังคม ซึ่งผู้ใช้มีแนวโน้มที่จะมีความเชื่อถือโดยปริยายต่อรสนิยมความชอบของเพื่อนบนเครือข่ายสังคม สิ่งนี้ตรงกับวัตถุประสงค์เทคนิคการกรองแบบร่วมมือกัน ในการวิจัยนี้ประยุกต์ใช้การจูงใจเชิงสังคมกับเทคนิคการแยกตัวประกอบเมทริกซ์แบบไม่เป็นลบที่มีการพิจารณาค่าน้ำหนัก เพื่อแก้ปัญหาการกรองแบบร่วมมือกันสำหรับคลาสเดี่ยว จากการทดลองเพื่อทดสอบประสิทธิผลด้วยตัววัดเชิงสนับสนุนการตัดสินใจ 2 ตัววัด พบว่าวิธีการที่นำเสนอให้ผลลัพธ์ที่พิสูจน์ว่าได้การประมวลผลของระบบแนะนำที่มีคุณภาพสูงกว่าเมื่อเทียบกับวิธีการพื้นฐานแบบอื่น
Other Abstract: Most existing recommender systems use a traditional method called Collaborative Filtering (CF) to predict the preferences of target users in order to provide recommendations to help them with their decision making process. CF learns user preferences based on user community’s past behaviors. However, Collaborative Filtering may provide an invalid recommendation if a system does not have explicit feedback or item rating from users. As a result, One-class Collaborative Filtering (OCCF) came into existence since it took only positive examples or implicit feedback into consideration to provide recommendations. With the rapid growing trend of the online social networking services which generate and reflect social relationships among their users as well as consist of representation, interests and activities of each user, there is an opportunity to improve OCCF. Therefore, this research aims to propose a novel method for OCCF using online social relationships to increase a prediction accuracy of the recommendation. It is believed that social relationship data can reflect the social influence as people tend to have a default trust in their friends’ tastes in an online social network. This is also what the CF algorithms try to reveal. In this research, Non-negative Matrix Factorization method was applied with social influence weighting scheme to the one-class problem. Based on the experimental evaluation and two decision-support measures, the proposed method was proved to provide higher quality of recommendation results than the other baseline methods.
Description: วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2554
Degree Name: วิทยาศาสตรมหาบัณฑิต
Degree Level: ปริญญาโท
Degree Discipline: วิทยาศาสตร์คอมพิวเตอร์
URI: http://cuir.car.chula.ac.th/handle/123456789/28125
URI: http://doi.org/10.14457/CU.the.2011.1456
metadata.dc.identifier.DOI: 10.14457/CU.the.2011.1456
Type: Thesis
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
sirawit_so.pdf2.43 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.