Web personalized recommendation based on ontology evolution and machine learning

Abstract

The explosive growth of information available online frequently overwhelms users. Recommender system (RS) provides a useful personalized way of discovering products or services they might be interested in from a large space of possible options. Recommender system has been playing a more vital and essential role in various information access systems to boost business and facilitate decision-making process. In general, the recommendation lists are generated based on user preferences, item features, user-item past interactions and some other additional information such as temporal and spatial data. Recommendation models are mainly categorized into collaborative filtering, content-based recommender system and hybrid recommender system based on the types of input data. However, these models have their own limitations in dealing with data sparsity and cold-start problems, as well as balancing the recommendation qualities in terms of different evaluation metrics. The past few decades have witnessed the tremendous successes of the deep learning (DL) in many application domains such as computer vision and speech recognition. Recently, deep learning has been revolutionizing the recommendation architectures dramatically and brings more opportunities in reinventing the user experiences for better customer satisfaction. Recent advances in deep learning based recommender systems have gained significant attention by overcoming obstacles of conventional models and achieving high recommendation quality. Deep learning is a sub research field of machine learning. It learns multiples level of representations and abstraction from data, which can solve both supervised and unsupervised learningtasks. Thus, the recommender system plays an important role in online retail.It increase the number of items sold, Sell more diverse items which is one of the major functions of the RS that will make the users choose items that they can't easily find without recommendations, it also increase the user satisfaction, increase user fidelity which is the loyalty of the user to the website that will be achieved after the recognition of the RSs for him as an old customer and treats him as a valuable visitor, by giving him recommendations according to his past behavior over the website, e.g., his ratings for his previous items. Large information stores as digital libraries, online shops, etc. rely on a study of the objects under consideration to structure the vast contents and help in browsing and searching. As in heterogeneous communities, users usually use different parts of such ontology with varying intensity, customization and personalization. Such personal ontologies reflect the interests of users at certain times. Interests might change as well as the available data; therefore the personalization requires quite naturally support for the evolution of personal ontologies. As ontology evolution is defined by the adaption of ontology to changes that are appeared in the domain of interest . Since ontology reasoning helps in detecting the changes in user interests; ontology reasoning, then, refers to the inference of new knowledge from the statements asserted by an ontology engineer. The reasoner recognizes the illegal mistakes that are committed by the developer. Use of ontology is increasing in Information Systems and Knowledge Sharing Systems that increase the significance of ontology maintenance. Ontologies are formal description ofshared conceptualization of a domain of discourse. In the proposed thesis a social semantic personalized recommendation model will be proposed by the use of deep learning /reinforcement learning based on ontology evolution technique to obtain an updated ontology from different data sources such as, text documents, databases or other ontologies that can be tested by current ontology reasoners to make updated recommendations that are suitable to the new user’s preferences ad change of his behavior over social media.

El explosivo crecimiento de la información disponible en línea con frecuencia abruma a los usuarios. El sistema de recomendación (RS) proporciona una forma útil y personalizada de descubrir productos o servicios que podrían interesarles desde un gran espacio de opciones posibles. El sistema de recomendación ha jugado un papel más vital y esencial en varios sistemas de acceso a la información para impulsar el negocio y facilitar el proceso de toma de decisiones. En general, las listas de recomendaciones se generan en función de las preferencias del usuario, las características del elemento, las interacciones pasadas del elemento de usuario y alguna otra información adicional, como datos temporales y espaciales. Los modelos de recomendación se categorizan principalmente en filtrado colaborativo, sistema de recomendación basado en el contenido y sistema de recomendación híbrido basado en los tipos de datos de entrada. Sin embargo, estos modelos tienen sus propias limitaciones para tratar la escasez de datos y los problemas de arranque en frío, así como equilibrar las cualidades de recomendación en términos de diferentes métricas de evaluación. Las últimas décadas han sido testigos de los tremendos éxitos del aprendizaje profundo (DL) en muchos dominios de aplicaciones, como la visión artificial y el reconocimiento de voz. Recientemente, el aprendizaje profundo ha revolucionado las arquitecturas de recomendaciones dramáticamente y brinda más oportunidades para reinventar las experiencias de los usuarios para una mejor satisfacción del cliente. Los avances recientes en los sistemas de recomendación basados en el aprendizaje profundo han ganado una atención significativa al superar los obstáculos de los modelos convencionales y lograr una alta calidad de recomendación. El aprendizaje profundo es un campo secundario de investigación del aprendizaje automático. Aprende múltiples niveles de representaciones y abstracción de datos, lo que puede resolver tareas de aprendizaje supervisadas y no supervisadas. Por lo tanto, el sistema de recomendación juega un papel importante en el comercio minorista en línea. Aumenta la cantidad de artículos vendidos. Vende artículos más diversos, que es una de las principales funciones del RS que hará que los usuarios elijan artículos que no pueden encontrar fácilmente sin recomendaciones, también aumenta la satisfacción del usuario, aumenta la fidelidad del usuario que es la lealtad del usuario al sitio web que se logrará después del reconocimiento de los RS para él como un cliente antiguo y lo trata como un visitante valioso, dándole recomendaciones de acuerdo con su comportamiento anterior en el sitio web, por ejemplo, sus calificaciones para sus artículos anteriores. Grandes almacenes de información como bibliotecas digitales, tiendas en línea, etc. confían en un estudio de los objetos considerados para estructurar los vastos contenidos y ayudar en la exploración y búsqueda. Al igual que en las comunidades heterogéneas, los usuarios suelen utilizar diferentes partes de dicha ontología con intensidad, personalización y personalización variables. Dichas ontologías personales reflejan los intereses de los usuarios en ciertos momentos. Los intereses pueden cambiar al igual que los datos disponibles; por lo tanto, la personalización requiere un apoyo bastante natural para la evolución de las ontologías personales. Como la evolución de la ontología se define por la adaptación de la ontología a los cambios que aparecen en el dominio de interés. Dado que el razonamiento ontológico ayuda a detectar los cambios en los intereses del usuario; el razonamiento ontológico, entonces, se refiere a la inferencia de nuevos conocimientos a partir de las afirmaciones formuladas por un ingeniero de ontología. El razonador reconoce los errores ilegales cometidos por el desarrollador. El uso de la ontología está aumentando en sistemas de información y sistemas de intercambio de conocimientos que aumentan la importan

O crecemento explosivo da información dispoñible en liña adoita sobrecargar aos usuarios. O sistema Recommender (RS) proporciona unha forma personalizada e útil de descubrir produtos ou servizos que poden estar interesados desde un gran espazo de posibles opcións. O sistema Recommender xogou un papel máis vital e esencial en varios sistemas de acceso á información para impulsar o negocio e facilitar o proceso de toma de decisións. En xeral, as listas de recomendacións xéranse en función das preferencias do usuario, as funcións do elemento, as interaccións anteriores ao usuario e algunha outra información adicional, como datos temporais e espaciais. Os modelos de recomendación clasifícanse principalmente en filtros de colaboración, sistema de recomendación baseado en contido e sistema de recomendación híbrido baseándose nos tipos de datos de entrada. Non obstante, estes modelos teñen as súas propias limitacións para xestionar problemas de escaseza de datos e arranque en frío, así como equilibrar as calidades de recomendación en función de diferentes indicadores de avaliación. Nas últimas décadas asistiron os enormes éxitos da aprendizaxe profunda (DL) en moitos dominios de aplicación como a visión por computadora eo recoñecemento de voz. Recentemente, a aprendizaxe profunda revolucionou dramáticamente as arquitecturas de recomendación e trae máis oportunidades para reinventar as experiencias do usuario para unha mellor satisfacción do cliente. Os avances recentes nos sistemas de recomendación baseados en aprendizaxe profunda gañaron unha atención significativa superando os obstáculos dos modelos convencionais e acadando alta calidade de recomendación. A aprendizaxe profunda é un campo de investigación secundaria da aprendizaxe automática. Aprende múltiples niveis de representacións e abstracción de datos, que poden resolver tanto as tarefas de aprendizaxe supervisadas como as que non están supervisadas. Deste xeito, o sistema de recomendación desempeña un papel importante na venda polo miúdo en liña. Aumenta o número de elementos vendidos, vende máis elementos diversos que son unha das principais funcións do RS que fará que os usuarios elixan elementos que non poden atopar facilmente as recomendacións, tamén aumentan a satisfacción do usuario, aumentan a fidelidade dos usuarios, que é a lealtad do usuario ao sitio web que se conseguirá despois do recoñecemento das RS para el como un vello cliente e o trata como un valioso visitante, dándolle recomendacións de acordo co seu comportamento pasado sobre o sitio web, por exemplo, as súas cualificacións para os seus anteriores elementos. Grandes almacéns de información como bibliotecas dixitais, tendas en liña, etc. baséanse nun estudo dos obxectos obxecto de estruturación para estruturar os vastos contidos e axudar na navegación e na procura. Do mesmo xeito que en comunidades heteroxéneas, os usuarios adoitan empregar diferentes partes da ontoloxía con intensidade variable, personalización e personalización. Estas ontoloxías persoais reflicten os intereses dos usuarios en determinados momentos. Os intereses poden cambiar, así como os datos dispoñibles; polo tanto, a personalización require un soporte natural para a evolución das ontoloxías persoais. Como a evolución da ontoloxía defínese pola adaptación da ontoloxía aos cambios que aparecen no dominio de interese. Xa que o razonamiento da ontoloxía axuda a detectar os cambios nos intereses dos usuarios; O razonamiento ontolóxico, entón, refírese á inferencia do novo coñecemento das afirmacións afirmadas por un enxeñeiro de ontoloxía. O razonador recoñece os erros ilegais que comete o desenvolvedor. O uso da ontología está aumentando nos sistemas de información e sistemas de intercambio de coñecemento que aumentan a importancia do mantemento da ontoloxía. As ontoloxías son descrición formal da conceptualización compartida dun dominio do discurso. Na tese proposta propoñerase un modelo de recomendación personalizada semántica