메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Artem A. Lenskiy (Korea University of Technology and Education) Eric Makita (Korea University of Technology and Education)
저널정보
한국정보통신학회JICCE Journal of information and communication convergence engineering Journal of information and communication convergence engineering Vol.15 No.1
발행연도
2017.3
수록면
43 - 48 (6page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Movie ratings are crucial for recommendation engines that track the behavior of all users and utilize the information to suggest items the users might like. It is intuitively appealing that information about the viewing preferences in terms of movie genres is sufficient for predicting a genre of an unlabeled movie. In order to predict movie genres, we treat ratings as a feature vector, apply a Bernoulli event model to estimate the likelihood of a movie being assigned a certain genre, and evaluate the posterior probability of the genre of a given movie by using the Bayes rule. The goal of the proposed technique is to efficiently use movie ratings for the task of predicting movie genres. In our approach, we attempted to answer the question: “Given the set of users who watched a movie, is it possible to predict the genre of a movie on the basis of its ratings?” The simulation results with MovieLens 1M data demonstrated the efficiency and accuracy of the proposed technique, achieving an 83.8% prediction rate for exact prediction and 84.8% when including correlated genres.
#Item category prediction #Multivariate Bernoulli event model #Naive Bayes classification

목차

Abstract
I. INTRODUCTION
II. RELATED WORK
III. BERNOULLI EVENT MODEL
IV. EXPERIMENTAL RESULTS
V. DISCUSSION
VI. CONCLUSIONS
REFERENCES

참고문헌 (15)

참고문헌 신청
L. Lu, M. Medo, C. H. Yeung, Y. C. Zhang, Z. K. Zhang, and T. Zhou, “Recommender systems,” Physics Reports, vol. 519, no. 1, pp. 1-49, 2012. T. Bogers and A. Van den Bosch, “Collaborative and contentbased filtering for item recommendation on social bookmarking websites,” in Proceedings of the 2009 ACM Conference on Recommender Systems (RecSys), New York, NY, pp. 9-16, 2009. J. Basilico and T. Hofmann, “Unifying collaborative and contentbased filtering,” in Proceedings of the 21st International Conference on Machine Learning, Banff, Canada, 2004. X. Su and T. M. Khoshgoftaar, “A survey of collaborative filtering techniques,” Advances in Artificial Intelligence, vol. 2009, article no. 421425, pp. 1-19, 2009. F. Braida, C. E. Mello, M. B. Pasinato, and G. Zimbrao, “Transforming collaborative filtering into supervised learning,” Expert Systems with Applications, vol. 42, no. 10, pp. 4733-4742, 2015.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2023-004-000404580