Combining Linked Open Data Similarity and Relatedness for Cross OSN Recommendation

2020 ◽  
Vol 16 (2) ◽  
pp. 59-90
Author(s):  
Mohamed Boubenia ◽  
Abdelkader Belkhir ◽  
Fayçal M'hamed Bouyakoub
Keyword(s):  
Social Networks ◽  
Recommender Systems ◽  
Similarity Measure ◽  
Online Social Networks ◽  
Experimental Evaluation ◽  
Open Data ◽  
Linked Open Data ◽  
Cross Domain ◽  
Data Similarity ◽  
New Generation

The emergence of online social networks (OSNs) and linked open data (LOD) bring up opportunities to experiment on a new generation of cross-domain recommender systems in which the true benefit of LOD can be exploited, particularly to address the new user problems. In this article, the authors explore the feasibility of combining the two axes of comparison, similarity and relatedness, in LOD space, and introduce a new LOD-based similarity measure. The reason is to take benefit more from LOD to compare general resources, which can be useful in the context of cross-OSN recommendation. Experimental evaluation demonstrates the effectiveness of the proposed approach.

scholarly journals Semantic social modeling of online user - generated content

2019 ◽  
Author(s):  
Γεράσιμος Ραζής
Keyword(s):  
Social Networks ◽  
Online Social Networks ◽  
Query Expansion ◽  
Open Data ◽  
Linked Open Data ◽  
User Generated Content ◽  
Social Modeling

Η παρούσα διδακτορική διατριβή πραγματεύεται θέματα και προβλήματα διαχείρισης πληροφοριών που προκύπτουν εντός των Διαδικτυακών Κοινωνικών Δικτύων (Online Social Networks), καθώς και θέματα συλλογικής ευφυΐας προς την κατεύθυνση της αυτοματοποιημένης αναπαράστασης γνώσης. Σε αυτό το πλαίσιο ακολουθούνται τρεις ερευνητικές κατευθύνσεις συγκεκριμένα: i) η έννοια της επιρροής στα κοινωνικά δίκτυα και η ανεύρεση οντοτήτων σε αυτά με μεγάλη επιρροή, ii) το περιεχόμενο που δημιουργείται από τους χρήστες και ο ρόλος της σημασιολογίας στην ανάλυση των κοινωνικών δικτύων, και iii) η ποιοτική αξιολόγηση του διαχεόμενου περιεχομένου. Παρουσιάζουμε αποτελεσματικές και κλιμακώσιμες μεθόδους, εστιασμένες σε συγκεκριμένα προβλήματα των προαναφερθεισών κατευθύνσεων, με τελικό σκοπό να προταθούν νέες μέθοδοι στην αιχμή της έρευνας. Στην πρώτη ερευνητική κατεύθυνση, μελετάμε πώς μπορούμε να μετρήσουμε την κοινωνική επιρροή και ποια είναι τα πεδία εφαρμογής της. Για το σκοπό αυτό, δημιουργήσαμε μια δημοσίως διαθέσιμη υπηρεσία με στόχο τον υπολογισμό και την κατάταξη της επιρροής και της επίδρασης λογαριασμών στο Twitter. Αυτή η υπηρεσία ενσωματώνει θεωρητικές πτυχές της μέτρησης επιρροής οι οποίες απορρέουν από κοινωνικές λειτουργίες που αξιολογούν i) την κοινωνική δραστηριότητα ενός λογαριασμού στο Twitter (π.χ. tweets, re-tweets, απαντήσεις), ii) την κοινωνική δημοτικότητα (π.χ. ακολούθους (followers), ακολουθούμενους (following)), και iii) τον αντίκτυπο στο κοινωνικό δίκτυο (π.χ. διάχυση περιεχομένου, κοινωνική αναγνώριση ). Στη δεύτερη ερευνητική κατεύθυνση, διερευνάται ο ρόλος της σημασιολογίας στα Διαδικτυακά Κοινωνικά Δίκτυα και η υιοθέτηση τεχνολογιών Σημασιολογικού Ιστού οι οποίες μπορούν να χρησιμοποιηθούν για την ανίχνευση παρόμοιων χρηστών καθώς και θέματα εξατομίκευσης χρήστη (π.χ. ενδιαφέροντα και προτάσεις ). Υπό αυτό το πρίσμα, ορίζουμε ένα οντολογικό σχήμα με σκοπό τη σημασιολογική αναπαράσταση των αναλυτικών στοιχείων (analytics) των κοινωνικών δικτύων, συμπεριλαμβανομένων των δομικών πτυχών των λογαριασμών Twitter, των διαχεόμενων οντοτήτων, καθώς και των κοινωνικών σχέσεων. Επιπροσθέτως, προτείνουμε μια μεθοδολογία για την ανεύρεση και πρόταση παρεμφερών λογαριασμών στο Twitter, με βάση αποκλειστικά το διαχεόμενο περιεχόμενο. Συν τοις άλλοις και με βάση τις σχέσεις ομοιότητας, παρουσιάζουμε μια προσέγγιση για την αυτόματη σήμανση των λογαριασμών Twitter εκμεταλλευόμενοι πληροφορίες από το σύννεφο των «Συνδεδεμένων Ανοιχτών Δεδομένων» (Linked Open Data cloud), και συγκεκριμένα σύμφωνα με θεματικές κατηγορίες από τη γνωσιακή βάση DBpedia. Τέλος, συμβάλλουμε στο πεδίο της Επέκτασης Ερωτημάτων (Query Expansion) προτείνοντας μια αλγοριθμική προσέγγιση, η οποία επεκτείνει το ερώτημα ενός χρήστη μέσω της δημιουργίας ενός συνόλου προτάσεων το οποίο αποτελείται από τις πιο δημοφιλείς και ενημερωμένες οντότητες του Twitter. Τέλος, στην τρίτη ερευνητική κατεύθυνση, αντιμετωπίζουμε το πρόβλημα της ποιοτικής αξιολόγησης του περιεχομένου που παράγουν οι χρήστες χρησιμοποιώντας την κοινωνική επιρροή και τη σημασιολογία. Καταλήγουμε στο συμπέρασμα ότι οι δύο πρώτες ερευνητικές περιοχές μπορούν από κοινού με την τρίτη να παράσχουν χρήσιμες πληροφορίες, όταν θέλουμε να αναπαραστήσουμε τις δυναμικές ιδιότητες του περιεχομένου με που έχει μεγάλο αντίκτυπο καθώς και της δυναμικής του ροής.

Unraveling the Taste Fabric of Social Networks

2009 ◽  
pp. 1521-1546
Author(s):  
Hugo Liu ◽  
Pattie Maes ◽  
Glorianna Davenport
Keyword(s):  
Social Networks ◽  
Social Network ◽  
Online Social Networks ◽  
Social Connectedness ◽  
Natural Language Text ◽  
Cross Domain ◽  
Semantic Mining ◽  
The Rich ◽  
Language Text

Popular online social networks such as Friendster and MySpace do more than simply reveal the superficial structure of social connectedness—the rich meanings bottled within social network profiles themselves imply deeper patterns of culture and taste. If these latent semantic fabrics of taste could be harvested formally, the resultant resource would afford completely novel ways for representing and reasoning about web users and people in general. This paper narrates the theory and technique of such a feat—the natural language text of 100,000 social network profiles were captured, mapped into a diverse ontology of music, books, films, foods, etc., and machine learning was applied to infer a semantic fabric of taste. Taste fabrics bring us closer to improvisational manipulations of meaning, and afford us at least three semantic functions—the creation of semantically flexible user representations, cross-domain taste-based recommendation, and the computation of taste-similarity between people— whose use cases are demonstrated within the context of three applications—the InterestMap, Ambient Semantics, and IdentityMirror. Finally, we evaluate the quality of the taste fabrics, and distill from this research reusable methodologies and techniques of consequence to the semantic mining and Semantic Web communities.

scholarly journals Semantic Distance Spreading Across Entities in Linked Open Data

Information ◽  
2019 ◽  
Vol 10 (1) ◽  
pp. 15
Author(s):  
Sultan Alfarhood ◽  
Susan Gauch ◽  
Kevin Labille
Keyword(s):  
Recommender Systems ◽  
Linked Data ◽  
Open Data ◽  
Cold Start ◽  
Semantic Distance ◽  
Linked Open Data ◽  
Experimental Results ◽  
Distance Calculation ◽  
Cold Start Problem

Recommender systems can utilize Linked Open Data (LOD) to overcome some challenges, such as the item cold start problem, as well as the problem of explaining the recommendation. There are several techniques in exploiting LOD in recommender systems; one approach, called Linked Data Semantic Distance (LDSD), considers nearby resources to be recommended by calculating a semantic distance between resources. The LDSD approach, however, has some drawbacks such as its inability to measure the semantic distance resources that are not directly linked to each other. In this paper, we first propose another variation of the LDSD approach, called wtLDSD, by extending indirect distance calculations to include the effect of multiple links of differing properties within LOD, while prioritizing link properties. Next, we introduce an approach that broadens the coverage of LDSD-based approaches beyond resources that are more than two links apart. Our experimental results show that approaches we propose improve the accuracy of the LOD-based recommendations over our baselines. Furthermore, the results show that the propagation of semantic distance calculation to reflect resources further away in the LOD graph extends the coverage of LOD-based recommender systems.

Unraveling the Taste Fabric of Social Networks

2009 ◽  
pp. 18-43
Author(s):  
Hugo Liu
Keyword(s):  
Social Networks ◽  
Social Network ◽  
Online Social Networks ◽  
Social Connectedness ◽  
Natural Language Text ◽  
Cross Domain ◽  
Semantic Mining ◽  
The Rich ◽  
Language Text

Popular online social networks such as Friendster and MySpace do more than simply reveal the superficial structure of social connectedness — the rich meanings bottled within social network profiles themselves imply deeper patterns of culture and taste. If these latent semantic fabrics of taste could be harvested formally, the resultant resource would afford completely novel ways for representing and reasoning about web users and people in general. This paper narrates the theory and technique of such a feat — the natural language text of 100,000 social network profiles were captured, mapped into a diverse ontology of music, books, films, foods, etc., and machine learning was applied to infer a semantic fabric of taste. Taste fabrics bring us closer to improvisational manipulations of meaning, and afford us at least three semantic functions — the creation of semantically flexible user representations, cross-domain taste-based recommendation, and the computation of taste-similarity between people — whose use cases are demonstrated within the context of three applications — the InterestMap, Ambient Semantics, and IdentityMirror. Finally, we evaluate the quality of the taste fabrics, and distill from this research reusable methodologies and techniques of consequence to the semantic mining and Semantic Web communities.

Sign in / Sign up

Export Citation Format

Share Document