<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Hybrid rating model for cultural events based on user reviews

Ескіз

Файли

28016.pdf (254,44 KB)

Дата

2026

Автори


Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

Анотація

The hybrid rating model for cultural events based on user reviews in web-oriented information systems is described.

Опис

Ключові слова

rating algorithms , cultural events , user reviews , Bayesian average , collaborative filtering , hybrid model , time decay , web system

УДК

[004.774:7](043.2)

Тип документа

Thesis

Мова

uk_UA

Є частиною

Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026.

ISSN

Бібліографічний опис

Лінійчук М. О., Рейда О. М. Hybrid rating model for cultural events based on user reviews // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/28016.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/54236

Зібрання

НТКП ВНТУ. Факультет інформаційних технологій та комп'ютерної інженерії (2026)

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (8)

  1. BrightLocal. Local Consumer Review Survey. – BrightLocal Research, 2023. – URL: https://www.brightlocal.com/research/local-consumer-review-survey/ [Accessed: 18.03.2026].
  2. Deldjoo Y., Schedl M., Cremonesi P. Content-based multimedia recommendation systems: definitions and application domains / Proceedings of the RecSys Workshop on Perspectives on the Evaluation of Recommender Systems. – 2021. – P. 1–9.
  3. Amatriain X., Pujol J. M. Data mining methods for recommender systems / Recommender Systems Handbook. – Springer, Boston, MA, 2015. – P. 227–262.
  4. Lam S. K., Riedl J. Shilling recommender systems for fun and profit / Proceedings of the 13th International Conference on World Wide Web (WWW ‘04). – ACM, 2004. – P. 393–402.
  5. Frnti P., Sieranoja S. How much can k-means be improved by using better initialization and repeats? / Pattern Recognition. – 2019. – Vol. 93. – P. 95–112.
  6. Koren Y., Bell R., Volinsky C. Matrix factorization techniques for recommender systems / Computer. – 2009. – Vol. 42, No. 8. – P. 30–37.
  7. Akoglu L., Tong H., Koutra D. Graph-based anomaly detection and description: A survey / Data Mining and Knowledge Discovery. – 2015. – Vol. 29, No. 3. – P. 626–688.
  8. Ricci F., Rokach L., Shapira B. Introduction to recommender systems handbook / Recommender Systems Handbook. – Springer, Boston, MA, 2015. – P. 1–35.