Luận án Phát triển một số phương pháp xây dựng hệ tư vấn

HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG 
ĐỖ THỊ LIÊN 
PHÁT TRIỂN MỘT SỐ PHƢƠNG PHÁP XÂY DỰNG 
HỆ TƢ VẤN 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
HÀ NỘI – 2020 
HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG 
ĐỖ THỊ LIÊN 
PHÁT TRIỂN MỘT SỐ PHƢƠNG PHÁP 
XÂY DỰNG HỆ TƢ VẤN 
Chuyên ngành: Hệ thống thông tin 
Mã số: 9.48.01.04 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
NGƢỜI HƢỚNG DẪN KHOA HỌC: 
1. GS.TS. TỪ MINH PHƢƠNG 
 2. TS. NGUYỄN DUY PHƢƠNG 
HÀ NỘI - 2020 
i 
LỜI CAM ĐOAN 
 Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các kết quả đƣợc viết 
chung với các tác giả khác đều đƣợc sự đồng ý của đồng tác giả trƣớc khi đƣa vào 
luận án. Các kết quả nêu trong luận án là trung thực và chƣa từng đƣợc công bố 
trong các công trình nào khác. 
 Tác giả 
Đỗ Thị Liên 
ii 
LỜI CẢM ƠN 
Trong quá trình thực hiện đề tài “Phát triển một số phƣơng pháp xây dựng hệ 
tƣ vấn”, tôi đã nhận đƣợc rất nhiều sự giúp đỡ, tạo điều kiện của tập thể giáo viên 
hƣớng dẫn, nhà trƣờng, đồng nghiệp, các nhà khoa học và gia đình. Tôi xin bày tỏ 
lòng cảm ơn chân thành về sự giúp đỡ đó. 
Trƣớc tiên, tôi xin bày tỏ lòng biết ơn sâu sắc tới tập thể giáo viên hƣớng dẫn 
GS.TS Từ Minh Phƣơng và TS Nguyễn Duy Phƣơng - những ngƣời Thầy trực tiếp 
hƣớng dẫn và chỉ bảo cho tôi hoàn thành luận án này. Cảm ơn hai Thầy rất nhiều vì 
sự hƣớng dẫn tận tình, nghiêm túc và khoa học. 
Tôi xin trân trọng cảm ơn Hội đồng Khoa học, Hội đồng Tiến sỹ, Khoa Quốc 
tế và Đào tạo sau đại học của Học viện Công nghệ Bƣu chính Viễn thông đã tạo 
điều kiện thuận lợi cho tôi đƣợc thực hiện và hoàn thành chƣơng trình nghiên cứu 
của mình. 
Tôi xin cảm ơn tập thể Lãnh đạo, cán bộ, giảng viên khoa Công nghệ thông 
tin, khoa Đa phƣơng tiện - Học viện Công nghệ Bƣu chính Viễn thông đã cổ vũ 
động viên tôi trong suốt quá trình nghiên cứu. 
Tôi cảm ơn tất cả những ngƣời bạn của tôi, những ngƣời luôn chia sẻ, cổ vũ 
tôi trong lúc khó khăn và tôi luôn ghi nhớ điều đó. 
Cuối cùng, tôi xin bày tỏ lòng biết ơn chân thành đối với gia đình đã luôn 
động viên, ủng hộ, cổ vũ và tạo mọi điều kiện giúp đỡ tôi. 
iii 
MỤC LỤC 
Trang 
LỜI CAM ĐOAN ................................................................................................................... i 
LỜI CẢM ƠN ii 
MỤC LỤC ...iii 
DANH MỤC CÁC CHỮ VIẾT TẮT ................................................................................... vi 
DANH MỤC HÌNH VẼ ...................................................................................................... vii 
DANH MỤC CÁC BẢNG ................................................................................................. viii 
DANH MỤC CÁC THUẬT TOÁN ..................................................................................... ix 
MỞ ĐẦU 1 
1. Tính cấp thiết của luận án ................................................................................................. 1 
2. Mục tiêu của luận án ......................................................................................................... 2 
3. Các đóng góp của luận án ................................................................................................. 3 
4. Bố cục của luận án ............................................................................................................ 4 
CHƢƠNG 1: TỔNG QUAN VỀ HỆ TƢ VẤN ............................................................. 6 
1.1. Khái niệm hệ tƣ vấn ............................................................................................... 6 
1.2. Các lĩnh vực ứng dụng của hệ tƣ vấn..................................................................... 7 
1.3. Phát biểu bài toán tƣ vấn ........................................................................................ 7 
1.4. Qui trình xây dựng hệ tƣ vấn ................................................................................. 9 
1.5. Các hƣớng tiếp cận xây dựng hệ tƣ vấn ............................................................... 10 
1.5.1. Hệ tƣ vấn sử dụng lọc cộng tác .................................................................... 12 
1.5.2. Hệ tƣ vấn sử dụng lọc theo nội dung ........................................................... 25 
1.5.3. Hệ tƣ vấn sử dụng lọc kết hợp ..................................................................... 31 
1.5.4. Hệ tƣ vấn mở rộng cách tiếp cận truyền thống ............................................ 35 
1.6. Các phƣơng pháp và độ đo đánh giá hệ tƣ vấn .................................................... 39 
1.6.1. Phƣơng pháp đánh giá hệ thống tƣ vấn ........................................................ 39 
1.6.2. Độ đo đánh giá độ chính xác của đánh giá dự đoán .................................... 40 
1.6.3. Độ đo đánh giá độ chính xác của danh sách sản phẩm tƣ vấn ..................... 41 
1.7. Các nguồn tài nguyên hỗ trợ học tập, nghiên cứu hệ tƣ vấn ................................ 45 
1.8. Kết luận chƣơng 1 ................................................................................................ 47 
iv 
CHƢƠNG 2: PHÁT TRIỂN PHƢƠNG PHÁP LỌC CỘNG TÁC DỰA TRÊN MÔ 
HÌNH ĐỒ THỊ CHO HỆ TƢ VẤN THEO NGỮ CẢNH .............................................. 49 
2.1. Đặt vấn đề ............................................................................................................ 49 
2.2. Độ đo tƣơng tự cho lọc cộng tác dựa trên mô hình đồ thị ................................... 52 
2.2.1. Biểu diễn đồ thị cho lọc cộng tác ................................................................. 52 
2.2.2. Độ đo tƣơng tự cho lọc cộng tác dựa trên biểu diễn đồ thị .......................... 54 
2.3. Lọc cộng tác dựa trên mô hình đồ thị cho hệ tƣ vấn theo ngữ cảnh .................... 59 
2.3.1. Ngữ cảnh ...................................................................................................... 60 
2.3.2. Bài toán tƣ vấn theo ngữ cảnh ..................................................................... 62 
2.3.3. Các hƣớng tiếp cận giải quyết bài toán tƣ vấn theo ngữ cảnh ..................... 64 
2.3.4. Phƣơng pháp đề xuất ................................................................................... 68 
2.4. Thực nghiệm và kết quả ....................................................................................... 77 
2.4.1. Dữ liệu thực nghiệm .................................................................................... 77 
2.4.2. Cài đặt thực nghiệm ..................................................................................... 78 
2.4.3. Kết quả thực nghiệm .................................................................................... 82 
2.5. Kết luận chƣơng 2 ................................................................................................ 87 
CHƢƠNG 3: PHÁT TRIỂN PHƢƠNG PHÁP LỌC KẾT HỢP BẰNG ĐỒNG 
HUẤN LUYỆN ..89 
3.1. Đặt vấn đề ............................................................................................................ 89 
3.2. Lọc cộng tác bằng phƣơng pháp đồng huấn luyện .............................................. 91 
3.2.1. Phát biểu bài toán lọc cộng tác bằng phân lớp ............................................. 91 
3.2.2. Phân lớp bằng phƣơng pháp đồng huấn luyện ............................................. 92 
3.2.3. Mô hình đồng huấn luyện cho lọc cộng tác ................................................. 95 
3.3. Lọc kết hợp bằng phƣơng pháp đồng huấn luyện .............................................. 109 
3.3.1. Hợp nhất biểu diễn giá trị các đặc trƣng nội dung vào ma trận đánh giá .. 110 
3.3.2. Mô hình học kết hợp theo ngƣời dùng ....................................................... 116 
3.3.3. Mô hình học kết hợp theo sản phẩm .......................................................... 118 
3.3.4. Mô hình đồng huấn luyện cho lọc kết hợp ................................................ 120 
3.4. Thực nghiệm và kết quả ..................................................................................... 124 
3.4.1. Thực nghiệm và kết quả của phƣơng pháp lọc cộng tác bằng đồng huấn 
luyện 125 
v 
3.4.2. Thực nghiệm và kết quả của phƣơng pháp lọc kết hợp bằng đồng huấn 
luyện 129 
3.5. Kết luận chƣơng 3 .............................................................................................. 134 
KẾT LUẬN CHUNG ....................................................................................................... 135 
DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ ............................................................. 138 
TÀI LIỆU THAM KHẢO ............................................................................................... 139 
vi 
DANH MỤC CÁC CHỮ VIẾT TẮT 
KÝ HIỆU 
DIỄN GIẢI 
TIẾNG ANH TIẾNG VIỆT 
RS Recommender System / 
Recommendation System 
Hệ tƣ vấn 
CARS Context-Aware 
Recommender System 
Hệ tƣ vấn theo ngữ cảnh 
CF Collaborative Filtering Lọc cộng tác 
CBF Content-Based Filtering Lọc theo nội dung 
HF Hybrid Filtering Lọc kết hợp 
IR Information Retrieval Truy vấn thông tin 
MAE Mean Absolute Error Trung bình giá trị tuyệt đối lỗi 
MAP Mean Average Precision Độ chính xác trung bình tuyệt 
đối 
AP Average Precision Độ chính xác trung bình 
RMSE Root Mean Square Error Trung bình lỗi lấy căn 
KNN K-Nearest Neighbor K láng giềng gần nhất 
SDP Sparsity Data Problem Vấn đề dữ liệu thƣa 
User-Based k-NN User-Based k Neareast 
Neighbor 
Phƣơng pháp K láng giềng gần 
nhất dựa vào ngƣời dùng 
Item-Based k-NN Item-Based k Neareast 
Neighbor 
Phƣơng pháp K láng giềng gần 
nhất dựa vào sản phẩm 
TF/IDF Term Frequency / Inverse 
Document Frequency 
Phép đo tần suất kết hợp với 
tần suất xuất hiện ngƣợc 
MD matrix Multi-dimensional matrix Ma trận đánh giá đa chiều 
vii 
DANH MỤC HÌNH VẼ 
 Trang 
Hình 1.1. Giao diện hệ tƣ vấn sách của Amazon ................................................................... 6 
Hình 1.2. Ví dụ ma trận đánh giá tổng quát ........................................................................... 8 
Hình 1.3. Qui trình xây dựng hệ tƣ vấn ................................................................................. 9 
Hình 1.4. Các hƣớng tiếp cận truyền thống và xu hƣớng hiện nay của hệ tƣ vấn ............... 11 
Hình 1.5. Tiến trình xử lý của hệ tƣ vấn sử dụng lọc cộng tác [54] .................................... 12 
Hình 1.6. Tiến trình xử lý của hệ tƣ vấn sử dụng lọc theo nội dung [21] ............................ 26 
Hình 1.7. Các phƣơng pháp kết hợp lọc cộng tác (CF) và lọc nội dung (CBF) [21] ........... 32 
Hình 1.8. Phƣơng pháp phân chia tập dữ liệu phục vụ cho đánh giá hệ thống tƣ vấn......... 40 
Hình 2.1. Đồ thị biểu diễn cho lọc cộng tác ........................................................................ 54 
Hình 2.2. Ma trận trọng số biểu diễn đồ thị hai phía G ....................................................... 56 
Hình 2.3. Các mô hình kết hợp ngữ cảnh vào hệ tƣ vấn [1] ................................................ 64 
Hình 2.4. Bộ khung triển khai phƣơng pháp lọc cộng tác dựa trên mô hình đồ thị cho hệ tƣ 
vấn theo ngữ cảnh ................................................................................................................ 69 
Hình 2.5. Đồ thị biểu diễn cho lọc cộng tác gồm tập ngƣời dùng và tập sản phẩm giả lập 72 
Hình 3.1. Bộ khung triển khai lọc cộng tác bằng phƣơng pháp đồng huấn luyện ............... 97 
viii 
DANH MỤC CÁC BẢNG 
 Trang 
Bảng 1.1. Ma trận nhầm lẫn (Confusion matrix) ................................................................. 42 
Bảng 1.2. Một số phần mềm hỗ trợ nghiên cứu, phát triển hệ tƣ vấn .................................. 45 
Bảng 2.1. Ví dụ ma trận đánh giá của lọc cộng tác ............................................................. 53 
Bảng 2.2. Ma trận đánh giá chuyển đổi ............................................................................... 53 
Bảng 2.3. Phân loại ngữ cảnh thu thập đƣợc cho hệ tƣ vấn ................................................. 61 
Bảng 2.4. Ma trận đánh giá đa chiều của lọc cộng tác theo ngữ cảnh ................................. 63 
Bảng 2.5. Ma trận đánh giá hai chiều nhận đƣợc sau phân tách sản phẩm theo ngữ cảnh .. 71 
Bảng 2.6. Ma trận đánh giá chuyển đổi cho ma trận đánh giá 2 chiều của Bảng 2.5 .......... 72 
Bảng 2.7. Giá trị Precision@10, MAP@10 trên tập DepaulMovie .................................... 82 
Bảng 2.8. Giá trị Precision@10, MAP@10 trên tập MovieLens 100K.............................. 83 
Bảng 2.9. Giá trị Precision@10, MAP@10 trên tập InCarMusic ....................................... 83 
Bảng 3.1. Ma trận đánh giá của lọc cộng tác gồm 5 ngƣời dùng, 7 sản phẩm .................... 98 
Bảng 3.2. Ma trận đánh giá ƣớc lƣợng theo ngƣời dùng ................................................... 100 
Bảng 3.3. Ma trận đánh ƣớc lƣợng theo sản phẩm ............................................................ 103 
Bảng 3.4. Ma trận đánh giá R ............................................................................................ 111 
Bảng 3.5. Ma trận đặc trƣng sản phẩm C .......................................................................... 111 
Bảng 3.6. Ma trận đặc trƣng ngƣời dùng T ....................................................................... 111 
Bảng 3.7. Ma trận hồ sơ ngƣời dùng ....................................................................... 113 
Bảng 3.8. Ma trận đánh giá mở rộng theo hồ sơ ngƣời dùng................................... 113 
Bảng 3.9. Ma trận hồ sơ sản phẩm .......................................................................... 115 
Bảng 3.10. Ma trận đánh giá mở rộng theo hồ sơ sản phẩm .................................... 116 
Bảng 3.11. Giá trị MAE, RMSE trên tập MovieLens-100K .............................................. 127 
Bảng 3.12. Giá trị MAE, RMSE trên tập MovieLens-1M .................................................. 128 
Bảng 3.13. Giá trị MAE, RMSE trên tập MovieLens-10M ................................................ 128 
Bảng 3.14. Giá trị MAE, RMSE của các phƣơng pháp tƣ vấn trên MovieLens-1M .......... 132 
ix 
DANH MỤC CÁC THUẬT TOÁN 
Trang 
Thuật toán 2.1. Thuật toán IS-UserBased-Graph ............................................................... 76 
Thuật toán 2.2. Thuật toán IS-ItemBased-Graph ................................................................ 77 
Thuật toán 3.1. Thuật toán đồng huấn luyện Co-Training .................................................. 95 
Thuật toán 3.2. Thuật toán CoTrainning-UserItem. ......................................................... 104 
Thuật toán 3.3. Thuật toán CoTraining-ItemUser ............................................................ 108 
Thuật toán 3.4. Thuật toán CoTraining –HybridFiltering ................................................ 122 
 1 
MỞ ĐẦU 
1. Tính cấp thiết của luận án 
 Với sự gia tăng nhanh chóng của thông tin trên Web thì cần thiết p ... rch and development in information retrieval, 2004, pp. 440–447. 
[34] Z. Huang, W. Chung, and H. Chen, “A Graph Model for E-Commerce 
Recommender Systems,” J. Am. Soc. Inf. Sci. Technol., vol. 55, no. 3, pp. 
259–274, 2004. 
[35] Z. Huang, H. Chen, and D. Zeng, “Applying Associative Retrieval 
Techniques to Alleviate the Sparsity Problem in Collaborative Filtering,” 
ACM Trans. Inf. Syst., vol. 22, no. 1, pp. 116–142, Jan. 2004. 
[36] C. Filtering, R. Algorithms, I. N. E. Application, and A. Using, “A Study on 
Ontology Based Collaborative Filtering Recommendation Algorithms in E-
Commerce Applications A Study on Ontology Based Collaborative Filtering 
Recommendation Algorithms in E-Commerce Applications,” no. September, 
2017. 
[37] M. Nilashi, O. Ibrahim, and K. Bagherifard, “A recommender system based 
on collaborative filtering using ontology and dimensionality reduction 
techniques,” Expert Syst. Appl., vol. 92, pp. 507–520, 2018. 
[38] P. Covington, J. Adams, and E. Sargin, “Deep Neural Networks for YouTube 
Recommendations,” 2016. 
[39] C. A. Gomez-uribe and N. Hunt, “The Netflix Recommender System : 
Algorithms , Business Value ,” vol. 6, no. 4, 2015. 
[40] M. Balabanović and Y. Shoham, “Fab: content-based, collaborative 
recommendation,” vol. 40, no. 3, 1997. 
[41] M. J. Pazzani, “A Framework for Collaborative , Content-Based and 
Demographic Filtering,” Artif. Intell. Rev. - Spec. issue data Min. Internet, 
vol. 13, no. 5–6, pp. 393–408, 1999. 
[42] M. Pazzani and D. Billsus, “Learning and Revising User Profiles : The 
 143 
Identification of Interesting Web Sites,” Mach. Learn. - Spec. issue 
multistrategy Learn., vol. 27, no. 3, pp. 313–331, 1997. 
[43] G. L. Somlo, A. E. Howe, G. L. Somlo, and A. E. Howe, “Adaptive 
Lightweight Text Filtering Adaptive Lightweight Text Filtering,” in IDA 
2001: Advances in Intelligent Data Analysis, 2001, vol. 2189, pp. 319–329. 
[44] Y. Zhang and J. Callan, “Maximum Likelihood Estimation for Filtering 
Thresholds,” in SIGIR ‟01 Proceedings of the 24th annual international ACM 
SIGIR conference on Research and development in information retrieval, 
2001, pp. 294–302. 
[45] R. J. Mooney and L. Roy, “Content-Based Book Recommending Using 
Learning for Text Categorization,” in Proceedings of the SIGIR-99 Workshop 
on Recommender Systems: Algorithms and Evaluation, Berkeley, CA, August 
1999, 1999, pp. 195–204. 
[46] P. Melville, R. J. Mooney, and R. Nagarajan, “Content-boosted collaborative 
filtering for improved recommendations,” “Proceedings 18th Natl. Conf. 
Artif. Intell. (AAAI),” no. July, pp. 187–192, 2002. 
[47] R. Burke, “Hybrid Recommender Systems : Survey and Experiments,” User 
Model. User-adapt. Interact., vol. 12, no. 4, pp. 331–370, 2002. 
[48] M. Claypool, A. Gokhale, T. Miranda, P. Murnikov, D. Netes, and M. Sartin, 
“Combining Content-Based and Collaborative Filters in an Online 
Newspaper,” ACM SIGIR Work. Recomm. Syst., 1999. 
[49] D. Billsus and M. J. Pazzani, “A hybrid user model for news story 
classification,” UM99 User Model., pp. 99–108, 1999. 
[50] B. Smyth and P. Cotter, “Personalized TV listings service for the digital TV 
age,” Knowledge-Based Syst., vol. 13, no. 2, pp. 53–59, 2000. 
[51] A. M. Ahmad Wasfi, “Collecting user access patterns for building user 
profiles and collaborative filtering,” Proc. 4th Int. Conf. Intell. user interfaces 
- IUI ‟99, pp. 57–64, 1999. 
[52] R. D. Burke, K. J. Hammond, and B. C. Young, “The FindMe approach to 
 144 
assisted browsing,” IEEE Expert. Syst. their Appl., vol. 12, no. 4, pp. 32–40, 
1997. 
[53] N. Good, J. Ben Schafer, J. A. Konstan, A. Borchers, and B. Sarwar, 
“Combining Collaborative Filtering with Personal Agents for Better 
Recommendations Nathaniel,” Tetrahedron, vol. 62, no. 37, pp. 8805–8813, 
2006. 
[54] N. D. Phuong, L. Q. Thang, and T. M. Phuong, “A Graph-Based Method for 
Combining Collaborative and Content-Based Filtering,” in Proceedings of 
PRICAI 2008, 2008, vol. 5351, pp. 859–869. 
[55] A. Gunawardana and C. Meek, “A unified approach to building hybrid 
recommender systems,” Proc. third ACM Conf. Recomm. Syst. - RecSys ‟09, 
p. 117, 2009. 
[56] A. P. and L. H.Ungar and D. M. P. and S. Lawrence, “Probabilistic Models 
for Unified Collaborative and Content-Based Recommendation in Sparse-
Data Environments,” in UAI‟01 Proceedings of the Seventeenth conference 
on Uncertainty in artificial intelligence, 2001, pp. 437–444. 
[57] A. I. Schein, A. Popescul, L. H. Ungar, and D. M. Pennock, “Methods and 
metrics for cold-start recommendations,” Proc. 25th Annu. Int. ACM SIGIR 
Conf. Res. Dev. Inf. Retr. - SIGIR ‟02, no. August, p. 253, 2002. 
[58] A. Ansari, S. Essegaier, and R. Kohli, “Internet Recommendation Systems,” 
J. Mark. Res., vol. 37, no. 3, pp. 363–375, 2000. 
[59] A. V. I. Arampatzis and G. Kalamatianos, “Collaborative , and Hybrid Fusion 
Methods,” vol. 36, no. 3, 2017. 
[60] R. Xiong, J. Wang, N. Zhang, and Y. Ma, “Deep hybrid collaborative filtering 
for Web service recommendation,” Expert Syst. Appl., vol. 110, pp. 191–205, 
2018. 
[61] F. Ortega, D. Rojo, and L. Raya, “Hybrid Collaborative Filtering based on 
Users Rating Behavior,” vol. XX, no. c, 2018. 
[62] T. Xiao, S. Liang, H. Shen, and Z. Meng, “Neural Variational Hybrid 
 145 
Collaborative Filtering,” 2019. 
[63] Y. Tay, L. A. Tuan, and S. C. Hui, “Latent Relational Metric Learning via 
Memory-based Attention for Collaborative Ranking,” 2018. 
[64] L. Zheng, C. Lu, V. Noroozi, H. Huang, and P. S. Yu, “MARS : Memory 
Attention-Aware Recommender System,” no. July 2017, 2018. 
[65] Z. Cheng, Y. Ding, X. He, L. Zhu, X. Song, and M. Kankanhalli, “A 3 NCF : 
An Adaptive Aspect Attention Model for Rating Prediction,” pp. 3748–3754, 
2009. 
[66] M. Hahsler, “recommenderlab : A Framework for Developing and Testing 
Recommendation Algorithms.” 2011. 
[67] L. Si and R. Jin, “Flexible Mixture Model for Collaborative Filtering,” Mach. 
Learn. Work., vol. 20, no. 2, p. 704, 2003. 
[68] D. Billsus and M. J. Pazzani, “Learning Collaborative Information Filters,” in 
ICML ‟98 Proceedings of the Fifteenth International Conference on Machine 
Learning, 1998, pp. 46–54. 
[69] K. Goldberg, T. Roeder, D. Gupta, and C. Perkins, “Eigentaste : A Constant 
Time Collaborative Filtering Algorithm,” no. August, 2000. 
[70] B. M. Sarwar, G. Karypis, J. a Konstan, and J. T. Riedl, “Application of 
Dimensionality Reduction in Recommender System - A Case Study,” 
Architecture, vol. 1625, pp. 264–8, 2000. 
[71] N. Srebro and T. Jaakkola, “Weighted Low-Rank Approximations,” 2003. 
[72] F. Fouss, A. Pirotte, J.-M. Renders, and M. Saerens, “Random-Walk 
Computation of Similarities Between Nodes of a Graph with Application to 
Collaborative Recommendation,” IEEE Trans. Knowl. Data Eng., vol. 19, no. 
3, pp. 355–369, Mar. 2007. 
[73] X. Li and H. Chen, “Recommendation as link prediction in bipartite graphs: 
A graph kernel-based machine learning approach,” Decis. Support Syst., vol. 
54, no. 2, pp. 880–890, 2013. 
[74] K. Yang and L. Toni, “Graph-Based Recommendation System,” 2018. 
 146 
[75] L. Deladiennee and Y. Naudet, “A graph-based semantic recommender 
system for a reflective and personalised museum visit: Extended abstract,” in 
Proceedings - 12th International Workshop on Semantic and Social Media 
Adaptation and Personalization, SMAP 2017, 2017, pp. 88–89. 
[76] U. Panniello, A. Tuzhilin, and M. Gorgoglione, “Comparing context-aware 
recommender systems in terms of accuracy and diversity,” User Model. User-
adapt. Interact., vol. 24, no. 1–2, pp. 35–65, 2014. 
[77] L. Baltrunas, B. Ludwig, and F. Ricci, “Matrix Factorization Techniques for 
Context Aware,” Acm Rs, no. October, pp. 301–304, 2011. 
[78] A. Q. Macedo, C. Grande, and C. Grande, “Context-Aware Event 
Recommendation in Event-based Social Networks Categories and Subject 
Descriptors,” 2015 ACM Conf. Recomm. Syst. RecSys 2015, pp. 123–130, 
2015. 
[79] N. X. Bach, N. Do Hai, and T. M. Phuong, “Personalized recommendation of 
stories for commenting in forum-based social media ✩,” Inf. Sci. (Ny)., vol. 
352–353, pp. 48–60, 2016. 
[80] H. Yin and B. Cui, Spatio-Temporal Recommendation in Social Media. 2016. 
[81] L. Cai, J. Xu, J. Liu, and T. Pei, “Integrating spatial and temporal contexts 
into a factorization model for POI recommendation,” Int. J. Geogr. Inf. Sci., 
vol. 32, no. 3, pp. 524–546, 2018. 
[82] A. Razia Sulthana and S. Ramasamy, “Ontology and context based 
recommendation system using Neuro-Fuzzy Classification,” Comput. Electr. 
Eng., vol. 0, pp. 1–13, 2018. 
[83] X. Fan, Y. Hu, Z. Zheng, Y. Wang, P. Brezillon, and W. Chen, “CASR-TSE: 
Context-Aware Web Services Recommendation for Modeling Weighted 
Temporal-Spatial Effectiveness,” IEEE Trans. Serv. Comput., p. 1, 2017. 
[84] M. Afzal, S.I. Ali, R. Ali, M. Hussain, T. Ali, W.A. Khan, M.B. Amin, B.H. 
Kang, S. Lee, “Personalization of wellness recommendations using contextual 
interpretation,” Expert Syst. Appl., vol. 96, pp. 506–521, 2018. 
 147 
[85] S. L. Wang and C. Y. Wu, “Application of context-aware and personalized 
recommendation to implement an adaptive ubiquitous learning system,” 
Expert Syst. Appl., vol. 38, no. 9, pp. 10831–10838, 2011. 
[86] K. Tang, S. Chen, and A. J. Khattak, “Personalized travel time estimation for 
urban road networks: A tensor-based context-aware approach,” Expert Syst. 
Appl., vol. 103, pp. 118–132, 2018. 
[87] A. Garcia-de-Prado, G. Ortiz, and J. Boubeta-Puig, “COLLECT: 
COLLaborativE ConText-aware service oriented architecture for intelligent 
decision-making in the Internet of Things,” Expert Syst. Appl., vol. 85, pp. 
231–248, 2017. 
[88] G. Adomavicius, R. Sankaranarayanan, S. Sen, and A. Tuzhilin, 
“Incorporating Contextual Information in Recommender Systems Using a 
Multidimensional Approach,” ACM Trans. Inf. Syst., vol. 23, no. 1, pp. 103–
145, Jan. 2005. 
[89] L. Baltrunas and F. Ricci, “Experimental evaluation of context-dependent 
collaborative filtering using item splitting,” User Model. User-adapt. 
Interact., vol. 24, no. 1–2, pp. 7–34, 2013. 
[90] Y. Zheng, R. Burke, and B. Mobasher, “Differential Context Relaxation for 
Context-Aware Travel Recommendation,” in International Conference on 
Electronic Commerce and Web Technologies.EC-Web 2012, 2012, vol. 123, 
no. September, pp. 88–99. 
[91] V. Codina, F. Ricci, and L. Ceccaroni, “Exploiting the semantic similarity of 
contextual situations for pre-filtering recommendation,” Lect. Notes Comput. 
Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), 
vol. 7899 LNCS, pp. 165–177, 2013. 
[92] B. Zou, C. Li, L. Tan, and H. Chen, “GPUTENSOR: Efficient tensor 
factorization for context-aware recommendations,” Inf. Sci. (Ny)., vol. 299, 
pp. 159–177, 2015. 
[93] Y. Zheng, B. Mobasher, and R. Burke, “CSLIM:Contextual SLIM 
 148 
Recommendation Algorithms,” RecSys 2014 - Proc. 8th ACM Conf. Recomm. 
Syst., vol. 0, no. 1, pp. 301–304, 2014. 
[94] Y. Zheng, B. Mobasher, and R. Burke, “Deviation-Based Contextual SLIM 
Recommenders,” Proc. 23rd ACM Int. Conf. Conf. Inf. Knowl. Manag. - 
CIKM ‟14, no. Dcm, pp. 271–280, 2014. 
[95] K. Haruna, M.A. Ismail, S. Suhendroyono, D. Damiasih, A.C. Pierewan, H. 
Chiroma, T. Herawan, “Context-Aware Recommender System: A Review of 
Recent Developmental Process and Future Research Direction,” Appl. Sci., 
vol. 7, no. 12, p. 1211, 2017. 
[96] S. Lee, S. Song, M. Kahng, D. Lee, and S. Lee, “Random walk based entity 
ranking on graph for multidimensional recommendation,” Proc. 5th ACM 
Conf. Recomm. Syst. - RecSys ‟11, p. 93, 2011. 
[97] A. R. Ana, Á. M. G. Carvalho, and C. G. Ralha, “Agent-based architecture 
for context-aware and personalized event recommendation,” Expert Syst. 
Appl., vol. 41, no. 2, pp. 563–573, 2014. 
[98] P. Bedi and Richa, “User interest expansion using spreading activation for 
generating recommendations,” 2015 Int. Conf. Adv. Comput. Commun. 
Informatics, ICACCI 2015, pp. 766–771, 2015. 
[99] E. Şamdan and A. Taşcı, “A Graph-based Collaborative and Context-aware 
Recommendation system for TV programs,” in RecSys 2014 TV Workshop, 
2014, no. October, pp. 1–6. 
[100] Z. Bahramian, R. A. Abbaspour, and C. Claramunt, “A context-aware tourism 
recommender system based on a spreading activation method,” Int. Arch. 
Photogramm. Remote Sens. Spat. Inf. Sci. - ISPRS Arch., vol. 42, no. 4W4, 
pp. 333–339, 2017. 
[101] L. Baltrunas and F. Ricci, “Context-Based Splitting of Item Ratings in 
Collaborative Filtering,” in Proceedings of the third ACM conference on 
Recommender systems - RecSys ‟09, 2009, pp. 245–248. 
[102] Y. Zheng, R. Burke, and B. Mobasher, “Splitting approaches for context-
 149 
aware recommendation,” Proc. 29th Annu. ACM Symp. Appl. Comput. - SAC 
‟14, pp. 274–279, 2014. 
[103] Y. Zheng, B. Mobasher, and R. Burke, “CARSKit: A Java-Based Context-
Aware Recommendation Engine,” in Proceedings of the 2015 IEEE 
International Conference on Data Mining Workshop (ICDMW), 2015, pp. 
1668–1671. 
[104] L. Baltrunas and F. Ricci, “Experimental evaluation of context-dependent 
collaborative filtering using item splitting,” User Model. User-adapt. 
Interact., vol. 24, no. 1–2, pp. 7–34, 2014. 
[105] X. Ning and G. Karypis, “SLIM: Sparse Linear Methods for Top-N 
Recommender Systems,” in Proceedings of the 2011 IEEE 11th International 
Conference on Data Mining, 2011, pp. 497–506. 
[106] Y. Zheng, “Tutorial : Context In Recommender Systems,” in The 31st ACM 
Symposium on Applied Computing, 2016. 
[107] N. D. Phuong and T. M. Phuong, “Collaborative Filtering by Multi-task 
Learning,” vol. 00, no. c, pp. 1–6, 2008. 
[108] S. Shalev-Shwartz and S. Ben-David, Understanding Machine Learning : 
From Theory to Algorithms. Cambridge University Press, 2014. 
[109] A. Z. Olivier Chapelle, Bernhard Scho lkopf, A semi-supervised learning, vol. 
1, no. 2. The MIT Press Cambridge, Massachusetts London, England, 2009. 
[110] P. Rai, “Semi-supervised Learning,” in CS 5350/6350: Machine Learning, 
2011, vol. 2011. 
[111] A. Blum and T. Mitchell, “Combining labeled and unlabeled data with co-
training,” Proc. Elev. Annu. Conf. Comput. Learn. theory - COLT‟ 98, pp. 
92–100, 1998. 
[112] C. Guestrin, “Co-Training for Semi- supervised learning,” in Machine 
Learning - 10701/15781, 2007, pp. 1–51. 
[113] W. Wang and Z.-H. Zhou, “A New Analysis of Co-Training,” ICML Int. 
Conf. Mach. Learn., pp. 1135–1142, 2011. 
 150 
[114] A. Gunawardana, “A Survey of Accuracy Evaluation Metrics of 
Recommendation Tasks,” J. Mach. Learn. Res. 10, vol. 10, pp. 2935–2962, 
2009. 
[115] J. Schafer, D. Frankowski, J. Herlocker, and S. Sen, “Collaborative Filtering 
Recommender Systems,” Adapt. Web Methods Strateg. Web Pers., vol. 4321, 
pp. 291–324, 2007.