view in publisher's site

AI-based mobile context-aware recommender systems from an information management perspective: Progress and directions

In the Artificial Intelligence (AI) field, and particularly within the area of Machine Learning (ML), recommender systems have attracted significant research attention. These systems attempt to alleviate the increasing information overload that users can experience in the current Big Data era, by providing personalized recommendations of items that they may find relevant. Besides, given the importance of mobile computing, these systems have evolved to consider also the dynamic context of the mobile users (location, time, weather conditions, etc.) to offer them more appropriate suggestions and information while on the move.In this paper, we provide an extensive survey of recent advances towards intelligent mobile Context-Aware Recommender Systems (mobile CARS) from an information management perspective, with an emphasis on mobile computing and AI techniques, along with an analysis of existing research gaps and future research directions. We focus on approaches that go beyond just considering the location of the user and exploit also other context information. In this study, we have identified that deep learning approaches are promising artificial intelligence models for mobile CARS. Additionally, in a near future, we expect a higher prominence of push-based recommendation solutions where at least part of the recommendation engine could be executed in the mobile devices, which could share data and tasks in a distributed way.

سیستم‌های توصیه‌گر زمینه موبایل مبتنی بر هوش مصنوعی از دیدگاه مدیریت اطلاعات: پیشرفت و جهت‌ها

در حوزه هوش مصنوعی (AI)، و به ویژه در حوزه یادگیری ماشینی (ML)، سیستم‌های توصیه‌گر توجه تحقیقاتی قابل‌توجهی را به خود جلب کرده‌اند. این سیستم‌ها تلاش می‌کنند تا افزایش بیش از حد اطلاعاتی که کاربران می‌توانند در عصر کلان داده فعلی تجربه کنند را با ارائه توصیه‌های شخصی از مواردی که ممکن است مرتبط با آن پیدا کنند، کاهش دهند. علاوه بر این، با توجه به اهمیت محاسبات تلفن همراه، این سیستم‌ها برای در نظر گرفتن زمینه پویای کاربران تلفن همراه (مکان، زمان، شرایط آب و هوایی و غیره)برای ارائه پیشنهادها و اطلاعات مناسب‌تر به آن‌ها در حین حرکت تکامل یافته‌اند. ما بر روی رویکردهایی تمرکز می‌کنیم که فراتر از در نظر گرفتن محل کاربر و بهره‌برداری از سایر اطلاعات زمینه می‌روند. در این مطالعه، ما شناسایی کرده‌ایم که رویکردهای یادگیری عمیق، نوید بخش مدل‌های هوش مصنوعی برای CARS موبایل هستند. علاوه بر این، در آینده نزدیک، ما انتظار برتری بیشتر راه‌حل‌های توصیه مبتنی بر فشار را داریم که در آن حداقل بخشی از موتور توصیه می‌تواند در دستگاه‌های تلفن همراه اجرا شود، که می‌تواند داده‌ها و وظایف را به شیوه‌ای توزیع‌شده به اشتراک بگذارد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Software
  • ترجمه مقاله Software
  • مقاله نرم‌افزار
  • ترجمه مقاله نرم‌افزار
  • مقاله Information Systems and Management
  • ترجمه مقاله Information Systems and Management
  • مقاله سیستم‌های اطلاعاتی و مدیریت
  • ترجمه مقاله سیستم‌های اطلاعاتی و مدیریت
  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Management Information Systems
  • ترجمه مقاله Management Information Systems
  • مقاله مدیریت سیستم‌های اطلاعاتی
  • ترجمه مقاله مدیریت سیستم‌های اطلاعاتی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.