Key points are not available for this paper at this time.
Les réseaux sociaux basés sur des événements (EBSNs) gagnent en popularité ces dernières années. Les utilisateurs peuvent publier un événement planifié sur un site web d'EBSN, appelant d'autres utilisateurs à participer à l'événement. Lorsqu'un utilisateur prend une décision sur la participation à un événement dans les EBSNs, un aspect à considérer est les participants existants définis comme des utilisateurs qui ont accepté de rejoindre cet événement. Les participants existants de l'événement peuvent influencer la décision de l'utilisateur, ce que nous appelons l'influence des participants. Cependant, l'influence des participants n'a pas été bien étudiée par les travaux précédents. Dans cet article, nous proposons un modèle de recommandation d'événements qui prend en compte l'influence des participants et exploite l'influence des participants existants sur les décisions de nouveaux participants basé sur la factorisation de Poisson. L'effet de l'influence des participants est associé à l'événement cible, au groupe hôte de l'événement et au lieu de l'événement. De plus, notre modèle proposé peut extraire des sujets d'événements latents à partir des descriptions textuelles de l'événement, et caractériser les événements, les groupes et les lieux par des distributions de sujets d'événements. Les associations entre les sujets d'événements latents et l'influence des participants sont exploitées pour améliorer la recommandation d'événements. En plus de faire des recommandations d'événements, le modèle proposé peut révéler les propriétés sémantiques de l'influence des participants entre deux utilisateurs de manière sémantique. Nous avons mené des expériences approfondies sur des ensembles de données extraites d'un EBSN du monde réel. Notre modèle proposé atteint des performances de recommandation d'événements supérieures par rapport à plusieurs modèles à la pointe de la technologie. Les résultats démontrent que la prise en compte de l'influence des participants peut améliorer la recommandation d'événements.
Liao et al. (Mardi) ont étudié cette question.