Key points are not available for this paper at this time.
Dans le paysage numérique des réseaux sociaux, le défi d'améliorer les systèmes de recommandation d'amis est essentiel pour renforcer l'interaction des utilisateurs et favoriser les connexions sociales. Pour relever ce défi, la présente étude innove en fusionnant le Classement Personnalisé Bayésien (BPR) avec la Factorisation de Matrice (MF), aboutissant à un nouveau modèle BPR-MF conçu pour les complexités des relations sur les réseaux sociaux. L'étude exploite un ensemble de données riche provenant de LastFM, comprenant 27 806 interactions entre 7 624 utilisateurs, pour analyser les schémas de suivi mutuel et augmenter la précision des recommandations d'amis. Grâce à un prétraitement rigoureux et à une évaluation systématique du modèle BPR-MF contre différents nombres de facteurs latents, la recherche révèle qu'une configuration de 20 facteurs latents est la plus efficace, atteignant un RMSE de 0,156 et un AUC ROC de 0,800. Cette découverte répond au problème critique de l'équilibre entre la complexité computationnelle et la précision des prédictions dans les modèles de recommandation. Elle démontre également la nécessité d'une approche nuancée et basée sur les données pour générer des connexions sociales pertinentes. La recherche ouvre une nouvelle direction pour les études futures cherchant à capitaliser sur les données d'interaction des utilisateurs afin d'offrir des suggestions d'amis précises, tout en préservant la confidentialité des utilisateurs et en évitant de s'appuyer sur des données personnelles.
Ali et al. (Mar,) ont étudié cette question.