Although social tagging is prone to

Although social tagging is prone to idiosyncrasy, sparsity, and cold-start problems, the quality of tags generally improves with a large number of taggers. Furthermore, social tagging systems (as well as annotation games) represent a human computation paradigm with enormous potential to address problems that contentbased mechanisms for tag acquisition cannot yet tackle on their own. But unlike computers, humans require some incentive to become part of the “collective computation”, which can be provided, for example, through the recommendation of tags.

19.4 Recommendation Algorithms for Social Tagging Systems
As we pointed out in Section 19.2, there are some particularities in folksonomies that one needs to take into account before designing RS, such as:
• Folksonomy data is represented as tensors or tripartite undirected hypergraphs and thus one needs to either transform the data in order to apply traditional recommender algorithms or extend the existent methods to operate over tensors or hypergraphs.
• Folksonomy users might be interested in multi-mode recommendations, so algorithms that serve all modes with minor or no changes during mode switching are ideally desired.
• Folksonomies allow multi-media resources, and thereby content-based algorithms should be able to efficiently incorporate content information in the folksonomy data structure.
In this section we survey some of the most recent and prominent methods about social tagging RS, showing and discussing how they address the aforementioned issues.

19.4.1 Collaborative Filtering
Collaborative Filtering is one of the most used and successfully applied methods for personalized RS, for which a large and continuously active literature exists (see Chapters 4 and 5). Basically, it is an algorithm for matching people with similar interests for the purpose of making recommendations. As pointed out in Section 19.2.2, traditional recommender systems typically operate on second-order tensors representing a binary relation between users and resources. Thus, because of the ternary relational nature of folksonomies, traditional CF cannot be applied directly, unless the ternary relation Y is reduced to a lower dimensional space [24]. To this end, in the case of user-based CF, we consider as matrix X alternatively the two 2-dimensional projections ?URY ? {0,1}|U|?|R| with (?URY)u,r := 1 if there exists t ? T s. t. (u, t, r) ? Y and 0 else, and ?UTY ? {0,1}|U|?|T| with (?UTY)u,t := 1 if there exists r ? R s. t. (u, t, r) ? Y and 0 else (Figure 19.6). One could eventually also consider the resource-tag projection matrix, what would lead to unpersonalized content-based models.

The projections preserve the user information, and lead to RS based on occurrence or non-occurrence of resources or tags, resp., with the users. Notice that we have here two possible setups in which the k-neighborhood Nk u of a user u can be formed, by considering either the resources or the tags as objects. Having defined matrix X, and having decided whether to use ?URY or ?UTY for computing user neighborhoods, we have the required setup to apply CF. We first compute, based on the row decomposed version of X and for a given k, the set Nk u of the k users that are most similar to user u:

Results (Thai) 1:

แม้ว่าสังคมติดป้ายเป็นแนวโน้ม idiosyncrasy, sparsity และปัญหาเริ่มเย็น คุณภาพของแท็กโดยทั่วไปปรับปรุง ด้วยจำนวน taggers นอกจากนี้ ระบุป้ายระบบสังคม (เช่นเดียวกับคำอธิบายประกอบเกมส์) หมายถึงกระบวนทัศน์คำนวณมนุษย์ มีศักยภาพมหาศาลให้ปัญหาอยู่ที่กลไก contentbased สำหรับแท็กไม่เล่นงานเองยัง แต่แตกต่างจากคอมพิวเตอร์ มนุษย์ต้องจูงใจบางอย่างให้กลายเป็น ส่วนหนึ่งของ "รวมคำนวณ" ซึ่งสามารถให้ เช่น ผ่านการแนะนำของแท็ก 19.4 แนะนำอัลกอริทึมสำหรับระบบที่ติดป้ายสังคมขณะที่เราชี้ให้เห็นในส่วน 19.2 มีบาง particularities ใน folksonomies ที่ต้องคำนึงถึงก่อนการออกแบบ RS เช่น:•โฟล์กโซโนมีข้อมูลจะแสดงเป็น tensors หรือ tripartite undirected hypergraphs และดังนั้น หนึ่งต้องการแปลงข้อมูลใช้อัลกอริทึมแบบดั้งเดิมผู้แนะนำ หรือขยายวิธีการมีอยู่จะมี tensors หรือ hypergraphs•โฟล์กโซโนมีผู้ใช้อาจจะสนใจแนะนำมัลติโหมด ดังนั้นอัลกอริทึมที่ใช้โหมดทั้งหมดกับจำนวน หรือไม่เปลี่ยนแปลงระหว่างสวิตช์จะต้องเชิญ• Folksonomies อนุญาตให้ใช้ทรัพยากรสื่อหลาย และอัลกอริทึมที่ทำเนื้อหาตามควรสามารถรวบรวมข้อมูลเนื้อหาในโครงสร้างข้อมูลโฟล์กโซโนมีประสิทธิภาพในส่วนนี้ เราสำรวจบางวิธีการโดดเด่น และล่าสุดเกี่ยวกับสังคมติดป้าย RS แสดง และสนทนาว่าจะแก้ไขปัญหาดังกล่าว19.4.1 Collaborative FilteringCollaborative Filtering is one of the most used and successfully applied methods for personalized RS, for which a large and continuously active literature exists (see Chapters 4 and 5). Basically, it is an algorithm for matching people with similar interests for the purpose of making recommendations. As pointed out in Section 19.2.2, traditional recommender systems typically operate on second-order tensors representing a binary relation between users and resources. Thus, because of the ternary relational nature of folksonomies, traditional CF cannot be applied directly, unless the ternary relation Y is reduced to a lower dimensional space [24]. To this end, in the case of user-based CF, we consider as matrix X alternatively the two 2-dimensional projections ?URY ? {0,1}|U|?|R| with (?URY)u,r := 1 if there exists t ? T s. t. (u, t, r) ? Y and 0 else, and ?UTY ? {0,1}|U|?|T| with (?UTY)u,t := 1 if there exists r ? R s. t. (u, t, r) ? Y and 0 else (Figure 19.6). One could eventually also consider the resource-tag projection matrix, what would lead to unpersonalized content-based models. The projections preserve the user information, and lead to RS based on occurrence or non-occurrence of resources or tags, resp., with the users. Notice that we have here two possible setups in which the k-neighborhood Nk u of a user u can be formed, by considering either the resources or the tags as objects. Having defined matrix X, and having decided whether to use ?URY or ?UTY for computing user neighborhoods, we have the required setup to apply CF. We first compute, based on the row decomposed version of X and for a given k, the set Nk u of the k users that are most similar to user u:

Results (Thai) 2:

แม้ว่าการติดแท็กทางสังคมมีแนวโน้มที่จะนิสัย, sparsity และปัญหาเย็นเริ่มต้นที่มีคุณภาพของแท็กโดยทั่วไปช่วยเพิ่มการมีจำนวนมากของ taggers นอกจากนี้ระบบการติดแท็กทางสังคม (เช่นเดียวกับเกมที่มีคำอธิบายประกอบ) เป็นตัวแทนของกระบวนทัศน์การคำนวณมนุษย์ที่มีศักยภาพมหาศาลเพื่อแก้ไขปัญหาที่ contentbased กลไกสำหรับการซื้อแท็กยังไม่สามารถจัดการได้ด้วยตัวเอง แต่แตกต่างจากคอมพิวเตอร์ที่มนุษย์จำเป็นต้องมีแรงจูงใจที่จะกลายเป็นส่วนหนึ่งของ "การคำนวณรวม" ซึ่งสามารถให้เช่นผ่านคำแนะนำของแท็ก. 19.4 คำแนะนำขั้นตอนวิธีการติดแท็กสำหรับระบบสังคมในฐานะที่เราชี้ให้เห็นในมาตรา 19.2 มีบาง ลักษณะเฉพาะใน folksonomies ที่หนึ่งต้องคำนึงถึงก่อนที่จะออกแบบอาร์เอสเช่นข้อมูล• folksonomy จะแสดงเป็นเทนเซอร์หรือไตรภาคี hypergraphs undirected จึงจำเป็นต้องเปลี่ยนทั้งข้อมูลเพื่อที่จะใช้ขั้นตอนวิธีการแบบดั้งเดิม recommender หรือขยายวิธีการที่จะอยู่ การดำเนินงานในช่วงเทนเซอร์หรือ hypergraphs. •ผู้ใช้ folksonomy อาจจะสนใจในคำแนะนำโหมดมัลติดังนั้นขั้นตอนวิธีการที่ให้บริการทุกรูปแบบที่มีการเปลี่ยนแปลงเล็กน้อยหรือไม่มีเลยในช่วงการเปลี่ยนโหมดเป็นที่ต้องการอย่างยิ่ง. • Folksonomies ช่วยให้ทรัพยากรหลายสื่อและจึงขั้นตอนวิธีการเนื้อหาตาม ควรจะสามารถได้อย่างมีประสิทธิภาพรวมข้อมูลเนื้อหาในโครงสร้างข้อมูล folksonomy. ในส่วนนี้เราสำรวจบางส่วนของวิธีการที่ผ่านมามากที่สุดและประสบความสำเร็จเกี่ยวกับการติดแท็กอาร์เอสทางสังคมที่แสดงให้เห็นและพูดถึงวิธีที่พวกเขาแก้ไขปัญหาดังกล่าว. 19.4.1 ความร่วมมือการกรองกรองเป็นความร่วมมือ หนึ่งในวิธีการที่ใช้มากที่สุดและนำไปใช้อาร์เอสประสบความสำเร็จส่วนบุคคลซึ่งวรรณกรรมที่มีขนาดใหญ่และการใช้งานอย่างต่อเนื่องอยู่ (ดูบทที่ 4 และ 5) โดยทั่วไปจะเป็นอัลกอริทึมสำหรับการจับคู่คนที่มีความสนใจเหมือนกันเพื่อวัตถุประสงค์ในการให้คำแนะนำ เป็นแหลมออกในมาตรา 19.2.2 ระบบ recommender แบบดั้งเดิมมักจะดำเนินการเกี่ยวกับเทนเซอร์ที่สองเพื่อเป็นตัวแทนของฐานความสัมพันธ์ระหว่างผู้ใช้และทรัพยากร ดังนั้นเนื่องจากลักษณะของความสัมพันธ์ ternary folksonomies, CF แบบดั้งเดิมไม่สามารถนำมาใช้โดยตรงเว้นแต่ความสัมพันธ์ ternary Y จะลดลงไปต่ำกว่าพื้นที่มิติ [24] ด้วยเหตุนี้ในกรณีที่ผู้ใช้ CF-based เราจะพิจารณาเป็นเมทริกซ์ X หรือสองประมาณการ 2 มิติ? URY? {0,1} | U | | R | ด้วย (URY?) มึง r:? = 1 ถ้ามีเสื้อ? T เซนต์ (มึง, เสื้อ, R)? Y และ 0 อื่นและ? UTY? {0,1} | U | | T | กับยูที (UTY?) = 1 ถ้ามี R? R เซนต์ (มึง, เสื้อ, R)? Y และ 0 อื่น (รูปที่ 19.6) หนึ่งได้ในที่สุดก็ยังพิจารณาทรัพยากรแท็กเมทริกซ์ฉายสิ่งที่จะนำไปสู่การ unpersonalized รุ่นเนื้อหาตาม. ประมาณการรักษาข้อมูลของผู้ใช้และนำไปสู่การอาร์เอสขึ้นอยู่กับการเกิดขึ้นหรือไม่เกิดขึ้นของทรัพยากรหรือแท็ก, resp. ด้วย ผู้ใช้ ขอให้สังเกตว่าเรามีที่นี่สองการตั้งค่าที่เป็นไปได้ในการที่ Nk k-ละแวกยูของผู้ใช้ยูสามารถเกิดขึ้นโดยพิจารณาทั้งทรัพยากรหรือแท็กเป็นวัตถุ มีกำหนดเมทริกซ์ X และมีการตัดสินใจว่าจะใช้งานหรือไม่ URY หรือ? UTY สำหรับการคำนวณละแวกใกล้เคียงที่ใช้เรามีการตั้งค่าที่จำเป็นในการใช้ CF. เราคำนวณครั้งแรกบนพื้นฐานของการย่อยสลายแถวรุ่น X และได้รับ k, ชุดยู Nk ของผู้ใช้ k ที่คล้ายกันมากที่สุดให้กับผู้ใช้ยู:

Results (Thai) 3:

แม้ว่าสังคมที่มีลักษณะเฉพาะตัว sparsity , และปัญหาเริ่มเย็น คุณภาพของป้ายโดยทั่วไปดีขึ้นด้วยตัวเลขขนาดใหญ่ของตราของ . นอกจากนี้ สังคม ติดตามระบบ ( เช่นบันทึกย่อเกม ) เป็นตัวแทนของกระบวนทัศน์การคำนวณของมนุษย์ที่มีศักยภาพมหาศาลเพื่อแก้ไขปัญหาที่ contentbased กลไกสำหรับการแท็กยังไม่สามารถแก้ไขปัญหาได้ด้วยตนเองแต่แตกต่างจากคอมพิวเตอร์ มนุษย์ต้องมีแรงจูงใจที่จะกลายเป็นส่วนหนึ่งของ " การคำนวณ " รวม ซึ่งสามารถให้บริการเช่นผ่านการแนะนำของแท็ก

แนะนำขั้นตอนวิธีการทำเพื่อสังคม ติดตามระบบ
อย่างที่เราชี้ให้เห็นในส่วน 19.2 มีลักษณะเฉพาะใน folksonomies ที่ต้องพิจารณาก่อนการออกแบบ อาร์เอส เช่น :
ข้อมูล - โฟล์คโซโนมีเป็นตัวแทนในฐานะสั่งหรือไตรภาคี undirected hypergraphs จึงต้องการให้แปลงข้อมูลเพื่อใช้ขั้นตอนวิธีการแนะนำแบบดั้งเดิมหรือขยายวิธีการที่มีอยู่ใช้งานมาสั่งหรือ hypergraphs .
ผู้ใช้แต่ละโฟล์คโซโนมีอาจจะสนใจในการแก้ไขข้อ ,ดังนั้นขั้นตอนวิธีที่ใช้ทุกโหมดกับผู้เยาว์ หรือไม่มีการเปลี่ยนแปลงในระหว่างโหมดการผสมที่ต้องการ .
- folksonomies อนุญาตให้ทรัพยากรมัลติมีเดียและเนื้อหาขั้นตอนวิธีจึงควรจะสามารถได้อย่างมีประสิทธิภาพรวมข้อมูลเนื้อหาในโฟล์คโซโนมีโครงสร้างข้อมูล .
ในส่วนนี้เราสำรวจบางส่วนของล่าสุดและวิธีการที่โดดเด่นเกี่ยวกับสังคมมา RS ,การแสดงและการอภิปรายเกี่ยวกับวิธีการที่พวกเขาจัดการปัญหาดังกล่าว 19.4.1 ร่วมกัน


แบบกรองการกรองเป็นหนึ่งในที่สุดที่ใช้และประสบความสำเร็จใช้วิธีการส่วนบุคคลอาร์เอส ซึ่งมีขนาดใหญ่ และวรรณกรรมที่ใช้งานอย่างต่อเนื่องอยู่แล้ว ( ดูบทที่ 4 และ 5 ) โดยทั่วไปเป็นขั้นตอนวิธีสำหรับการจับคู่คนที่มีความสนใจที่คล้ายคลึงกันเพื่อให้คำแนะนำ เป็นแหลมออกในส่วน 19.2.2 , ระบบแนะนำแบบดั้งเดิมมักจะผ่าตัดสั่งที่สองแทนความสัมพันธ์ทวิภาคระหว่างผู้ใช้และทรัพยากร ดังนั้น เพราะธรรมชาติของความสัมพันธ์ Ternary folksonomies , CF แบบดั้งเดิมไม่สามารถใช้ได้โดยตรงนอกจากความสัมพันธ์ Ternary Y ลดลงไปต่ำกว่ามิติ [ 24 ] ทั้งนี้ ในกรณีของผู้ใช้โฆษณาตาม เราพิจารณาเป็น 2 มิติเมทริกซ์ X หรือสองที ? ยูรี่ ? { 0.1 } | u | ? | R | ด้วย ? ยูรี่ ) U , R : = 1 ถ้ามีอยู่แล้ว ? T . T ( u , t , r ) ? Y และ 0 อื่น และ นะ ? { 0.1 } | u | ? | T | ด้วย ? นะ ) U , T : = 1 ถ้าไม่มี R ? R S T ( u , t , r ) ? Y และ 0 อื่น ( รูปที่ 19.6 )หนึ่งในที่สุดยังพิจารณาทรัพยากรแท็กจากเมทริกซ์ , สิ่งที่จะนำไปสู่เนื้อหา รูปแบบ unpersonalized .

ประมาณการรักษาข้อมูลผู้ใช้ และนำไปสู่การเกิดหรือไม่เกิดฟิล์มบนพื้นฐานของทรัพยากรหรือแท็ก resp . กับผู้ใช้ สังเกตว่าเราอยู่ที่นี่สองตั้งค่าเป็นไปได้ที่ k-neighborhood NK U ของผู้ใช้คุณสามารถตั้งขึ้นโดยพิจารณาทั้งทรัพยากรหรือแท็กที่เป็นวัตถุ มีกำหนดเมทริกซ์ X , และต้องตัดสินใจว่าจะใช้ ยูรี่หรือ ? นะสำหรับคอมพิวเตอร์ย่านผู้ใช้เราได้ใช้ติดตั้งเพื่อใช้โฆษณา เราคำนวณ ตามแถวประกอบด้วยรุ่นของ X และให้ K ชุด NK U ของ K ผู้ใช้ที่คล้ายกันมากที่สุดกับผู้ใช้ u :