Key points are not available for this paper at this time.
La recommandation de groupe joue un rôle significatif dans les systèmes de médias sociaux d'aujourd'hui, où les utilisateurs forment des groupes sociaux pour recevoir du contenu multimédia ensemble et interagir les uns avec les autres, au lieu de consommer le contenu en ligne individuellement. Les limitations des approches traditionnelles de recommandation de groupe sont les suivantes. Tout d'abord, elles infèrent généralement les préférences des membres du groupe à partir de leurs comportements historiques, échouant à capturer les préférences des utilisateurs inactifs à partir des données historiques éparses. Deuxièmement, les relations entre les membres du groupe ne sont pas étudiées par ces approches, qui échouent à capturer la personnalité inhérente des membres d'un groupe. Pour résoudre ces problèmes, nous proposons un cadre de recommandation de groupe conscient des aspects sociaux qui utilise conjointement les relations sociales et les comportements sociaux pour non seulement inférer les préférences d'un groupe, mais aussi modéliser les caractéristiques de tolérance et d'altruisme des membres du groupe. Sur la base de l'observation que la relation suivante dans le réseau social en ligne reflète les intérêts communs des utilisateurs, nous proposons un modèle de préférence de groupe basé sur des experts externes des membres du groupe. De plus, nous modélisons la tolérance des utilisateurs (disposition à recevoir du contenu non préféré) et l'altruisme (disposition à recevoir du contenu préféré par des amis). Enfin, sur la base du modèle de préférence de groupe, nous concevons des algorithmes de recommandation pour les utilisateurs dans différents contextes sociaux. Les résultats expérimentaux montrent l'efficacité de notre approche, qui améliore significativement l'exactitude des recommandations par rapport aux approches traditionnelles, en particulier dans les cas de membres de groupe inactifs.
Sun et al. (Ven,) ont étudié cette question.