TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.6, Jun e  201 4, pp. 4631 ~ 4 6 3 8   DOI: 10.115 9 1 /telkomni ka. v 12i6.544 5          4631     Re cei v ed  De cem ber 2 9 , 2013; Re vi sed  F ebruary 28,  2014; Accept ed March 1 7 , 2014   An Effic i ent System for Information Recommendation      Zhenhu a Hu ang*, Qiang  Fang   Dep a rtment of Comp uter Sc ie nce, T ongji Uni v ersit y   123 9 Sipi ng R oad, Sha n g hai,  P.R. China   *Corres p o ndi n g  author, e-ma i l : shtj08.zhh @ gmail.c o m      A b st r a ct   A recomm endation system  is  the on e of the most effective tools fo r  tackling with the pr oblem   of   infor m ati on ov erlo ad. How e v e r, as  the  matu rity of W eb 2.0  and th e e m er g ence  of massiv e  infor m ation, t h e   existin g  infor m ation rec o mme ndati on syste m s hav e the se rio u s draw ba cks in the asp e cts of real-timing,   robustn ess an d self-a dapta b i lity. Moti vated  by the a bove f a cts, in this  p a per, w e  desi g n  SIRSCA, w h ich i s   an  efficient s e m a ntic-driv e n informa tion  rec o mmendation system  under  t he cloud arc h it ectu re. Specially,  the SIRSCA system  mai n ly i n clu de  four  modu les: se ma n t ics represe n ta tion of foun dati on data  and u s er   prefere n ce inf o rmati ons; in de xing  mec han is m of massive   semantic i n for m ati ons u nder  clou d architect u re;  reco mme ndati on a ppro a ch e s  base d  on s e mantic co mp utation th eory;  and tech no lo gies of dy na mi c   mi gratio n u n d e r  clou d arch ite c ture.  W e  pres ent the  extensi v e exp e ri me nts that de monst r ate our  i m pro v e d   system  is both efficient and effective.      Ke y w ords :    cloud co mputi n g ,  recomme n d a tion syste m , se ma ntics, dyna mic  mi gratio n      Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  The  numb e r  of se rvers an d webp age s  acce ssi ng  to   Internet i n cre a se  expo nent ially as  the in-de p th appli c ation of  information  and net work technol ogie s . And we ne ed to face the  massive info rmation  cau s e d  by the  rapi d devel opm e n t of the  Internet technol og y. For  examp l e,  there a r e milli ons of boo ks on Da ngda ng , millions of  films on Netflix, millions of ne w arrival items  on eBay, over fifteen hund red millio ns o f  pages o n  t he so cial net work  del.icio.u s  [1]. Information  overloa d  ha s appea red a n d  use r s  can’t  accurately  find their inte rested item s. Also inform ation  overloa d  will  redu ce the  econ omic  benefit  and  market com petitiv eness for  enterpri s es.  Acco rdi ng to [2], we kno w  that inform ati on re com m endatio n sy stem s is the one of the most  effective tools to solve the probl em of informat io n overload. The s e  kinds  of  syste m s not only a r e   a comme rci a l  marketin g to ol, but al so  can effici ent ly  improve  u s ers’ a dhe sio n .  Acco rdi ng to   the   repo rt of M c K i nsey, info rm ation recomm endatio n  sy stems  provide  47% an d 3 5 % pro duct s   sales  for eBay and  Amazo n  re sp ectively [3].    Re cently, re sea r che r s h a ve focus o n  the  di scu ssi on  and  d e sig n  of  inf o rmatio n   recomme ndat ion meth od s, becau se i n formatio n recommen dation  method s a r e the  core  of  informatio n recom m en dati on syste m s  [4]. To our best kno w le dge, there a r e thre e mai n   informatio n  recom m en dati on m e thod s:  co ntent -ba s ed m e thod s [5-7],  colla borative  filterin g   method s [8 -10], and  h y brid m e tho d s [1 1-1 3 ]. Table  1   sho w s the   three t r aditi onal  recomme ndat ion meth od s  use d  in  typical inform ation  re com m end ation  sy stem s. Th ese exi s ting  method s mai n ly focus  on  how to buil d  model of  use r  interest  to improve  the pre c i s ion  of  recomme ndat ion re sults. Howeve r, as th e maturi ty of Web 2.0 a n d  the emerg e n c e of massiv e   informatio n, there  are at le ast three d r a w ba c ks  abo u t  the existing  informatio n recom m en dati o n   system s: (1 ) sin c e the info rmat ion of u s ers a nd p r od ucts  cha nge s dynamically,  they need b u ild   model s rep e a tedly; (2) du e to the opening ch aracte ristic of Web  2.0 networks, they are often   attacked by some m a lici o us u s ers, an d their  software mo dule s   are often a b norm a l; (3) t h e y   build mo del s according to  cu rre nt user prefe r en ce s,  and d on’t consi der th e e v olution of u s er  prefe r en ce s, whi c h will largely affect the quality  of in formation recommen dation  and the effect of  adaptive pe rsonali z ed reco mmend ation.   To solve th e  above d r a w b a cks  of existi ng info rmatio n re comm en dation  syste m s, in this  pa per , we  p r op oses   SIR S C A  (Sema n tic-dr iven   In fo rmatio n  Recommend a t io n  Sys t em u nder   Clou d Archite c ture ),  an efficient inform at ion recom m endatio n system based on the underl y ing   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4631 – 4 638   4632 kno w le dge s of data and u s er p r efe r en ce informat ion,  and introd uces the se man t ic comp utation   in information  recomm end a t ion systems.  Meanwhil e , to improve the real-time an d robu stne ss  of  info rm atio n  recom m e n d a ti on syst em s, we pre s e n t  an  effi ci ent syste m  a r chit ect u re whi c h   is   based on the cloud computing pla t fo rm, and fo c u s on the index mechanism of massive   sema ntic dat a and the techniqu e for distribute d  mi gration. Moreov er, we  prese n t the extensive  experiments  that demo n strate our improved  system is both effi cient and  effective.       Table 1. Th re e Traditio nal  Method s use d  in  Typical Informatio n Recom m en dati on Systems  M e t h od s  I n f o rm a t io n  r e co mm e n d a t i o n  sy ste m s  content-based r e commendation   Personal Web Watcher, AdR O SA,  SIFT,   L y ricTime,  Ne w s  Weeder, Google Alerts,    etc.  collaborative filte r ing recommend ation  Amazon, eBa y ,  CDN OW, Group Lens, Ringo,   Video Recomme ndation, MovieLens, ACF, SERF,  Connotea,  Dangdang, etc.  h y brid recomme ndation  F ab, Dail y  Lear ner ,  CWAdvisor ,  Q u ickstep,  Foxt rot, OARs,  P B Tango, Y oda,   Open Bookma rk, etc.      2. Sy stem Frame w o r k  Ov erv i e w   As the d e velo pment of  We b 2.0 te chnol ogy  and th e  emergen ce  o f  massive inf o rmatio n,  the existin g  i n formatio n re comm end atio n sy stems h a ve serio u s  dra w ba cks in  the a s p e ct s o f   real -timing, robust ness and self-adaptability.  To solve these  main dr awbacks, we design  and  develop SIRSCA, an efficient  sema ntic-d riven in fo rmation re co mmend ation  system u nde r the   clou d archite c ture. Th e sy stem fram ewor k of SIRS CA is sho w n in  Figure 1.           Figure 1. The  System Fra m ewo r k of SIRSCA       Our  system  mainly inclu d e s four m odul es:   Module 1: se mantics rep r e s entatio n of found at ion dat a and user p r eferen ce info rmation.  In this modul e, we first de fine and de scrib e  t he se mantics form al repr esenta t ion of foundation  data, and then pro p o s e the ontology  rep r e s ent atio n method of  foundation  data by para llel  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Efficient System  for Inform ation Re co mm endation (Zhenh ua Hua ng)  4633 con s tru c ting  of  imagina ry domain ontol ogy.  M ean wh ile, we p r e s e n t the domi n ant and  re ce ssive  sema ntics re pre s entatio n  of  user  prefe r nce info rmati ons, a nd th e n  co nst r u c t the cha r a c teri stic  ontology of user p r efe r en ces. Fu rth e rm ore, we an alyse the time and spa c e  co mplexities of the   s e mantic  algorithms .  Module  2: indexing m e cha n ism  of massiv e se mantic info rmations  und er cl oud   architectu re.  In this  mo dule,  we first pr op ose th e HCS (Hie rarchy Combi ned Su rroga te)  encodin g  of semantic informations for in format ion  re commen dation  system s, an d then d e si gn  a   two-stage  di stributed i ndex  stru ct u r e b a sed on  the  C2  (CA N  a nd  CHO R D) hyb r i d  ro ute p r oto c ol  [9]. Moreover, in order to t a ck le   with th e pro b lem  of netwo rk nod es ove r loa d , we p r e s ent t he  strategy of in dex spli tting a nd re con s tructing.  Module  3: informatio n re commen dation  based o n  se mantics  com puting. In this module,   we fi rst  de si gn the  EOA S  ontology   algeb ra  syst em, an d the n  p r opo se  t he info rmati o n   recomme ndat ion m e thod s ba sed  on   the sema nt ics  com puting  between  th e ontol ogy  of  foudation d a ta and the  ch ara c teri stic o n tology of  user p r eferen ce . Furt hermore , we present the   so cial re com m endatio n mech ani sm ba sed on the c hara c te risti c  ontology of use r  prefe r e n ce   from so cial n e tworks. Fina lly,  we propo se the e fficie n t appro a ch for minin g  the evolution chai ns  of user  prefe r ence ba sed o n  time  sequ e n ce  comp utin g operators.   Module  4:  system dyn a mi c mig r atio n u nder cl oud  archite c ture. Iin  this m odul e, we  first   desi gn the  system mod e l  fit for dyna mic mig r atio n and  dyna mic mig r atio n rul e s. T h e n  we   prop ose an e fficient app ro ach fo r intelli gent sel e ctio n of goal serv er cl uste rs. Fi nally, we pre s ent  the system  d y namic mig r a t ion method s  in the polyn o m ial-time  co mplexity with the gua rante e  of  migratio n se curity.      3. Specific Realizatio n of  Our SIRSCA Sy stem  In this  s e c t ion, we give the s p ec if ic reali z ation of our S I RSCA syste m .    3.1. Realiza t i on for Modul e 1  Endowi ng fou ndation d a ta  with und ersto od sem anti c s is the sta r tin g  point for  se mantic- driven info rm ation re co mm endatio n tech nologi es.  We  find that sem antics of  foun dation d a ta can  be d e fined  b y  the con c ept s, con c ept -to-con c e p t rel a tions,  attribute s , in stan ce s  and  rule s i n  t he  spe c ific  are a . In our SIRS CA sy stem, the ontol ogy  o f  foundation  d a ta ia defin ed  as O = (C,  R, P,  I, A), “C” den otes the set  of con c ept s and term s of  found ation dat a; “R” is multi v ariate mappi ng  from C× C to  Α ; namely,  C is the rel a tionship set of c oncepts; “P” is attribut e set of con c ept   features ; “I” is the ins t anc e   s e t of c o nc epts ;  “A” is  rule s e ts .   In orde r to im prove the i n telligen ce a n d  t he kn owle d ge re use rate , our SIRSCA  system   parall e l  con s t r uct s  the  onto l ogy of foun d a tion  data  u s i ng ima g ina r y  domain  ontol ogy tech nolo g y.  This metho d   use s  th e d o m ain d e script i on d o cumen t s of  DO DL l angu age  and  the evol uati on  theory of pop ulation of living thing s  (in c luding  sele cti on, clon e, variation,  cross,  comp osi ng a nd  transgen osi s   etc.) to  com b i ne o r  del ete t hem. By th is  way, it ca n hi era r chically p r ocess th e m o st  fundame n tal  foundatio n d a ta whi c h  initially store  in  the syste m , and dyn a mically con s truct  the   global o n tolo gy.  As for con s tructing the ch ara c teri stic o n tology  of user prefe r e n ce s,  our SIRSCA system  use s  the ide a  of the NER (Name d  Entity Recog n i t ion [14]) pro c e ss in the a r ea of biolo g i c al  kno w le dge  a c hievin g, an d employ s t w o-stag e mo dule s  to exp r ess th e se mantics of u s er  prefe r en ce in formation. In the first stage  of  semantics expressio n , our  S I RS CA  sy st em  r ega r d s  the sp ecifi c  u s er  prefere n ce inform ation s  a s  a d o cum ent fragm ent  and u s e th e Latent Sema ntic  Index (LSI) [ 15] and Su p port Ve ctor  Machi ne  ( SVM) [16] tech nologi s to ef fectively cho o se  con c e p ts  of  the do cum e n t  fragme n t. This complet e s  domin ant  se mantics e x traction. In   the   se con d  stag e of sema ntics exp r e s sio n , our SI RS CA system  e x ploits  the e x isting found ation  data ontolo g y to find relate d con c e p ts, relation s, attributes, an d in stan ce s. This complete s t h e   latent sema ntics extra c tion . Based on the domin a n t and latent se mantics,  our  SIRSCA syst em  automatically con s tru c t s  the cha r a c teri st ic ontolo g y of user p r efe r e n ce s.     3.2. Realiza t i on for Modul e 2  In the clo u d  com puting  environ ment,  the  efficien cy of inform ation re co m m endatio n  depe nd s to a great exte nt on the organi zati on a nd acce ss mode of ma ssive  sema n t ics  informatio n. And the dist ri buted ind e xin g  mechani sm  is the one  of the most effective app ro a c h  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4631 – 4 638   4634 for tackling  wi th this proble m . Hen c e in  our SIRS CA  system,  we d e sig n  the two - level di stribu ted  indexing  stru cture   C2-DIS INX which  i s  ba sed   on   th e  C2 (CA N  and CHO R D)  hyb r id ro uting   proto c ol,  an d u s e s  thi s  ro uting  pro t ocol to   ap p o int spe c ific se rver  clusters for sto r ing  corre s p ondin g  local ind e x. In this way,  we  ca n gua rantee the scalability and efficien cy of the  distrib u ted in dex.   Since the m a ssive sem a ntics info rma t i on update s  frequently, we ne ed to solve the   maintena nce  probl em of di stribute d  ind e x . Accord ing  to the theo ry of distrib u ted  databa se, th e  main wo rk of  index maintenan ce is to pro c e ss the  splitting and  mergi ng of C2-DISINX ind e x  node s. In our SIRSCA system, we pro p o se a n  app ro ximate optimal strategy to  sele ct the index  node s  whi c h  need  to be  split and  merg ed. Let  W  an d S be  the  set of glo bal a nd lo cal i nde x  node s  re spe c tively. Then  our  app roxi mate optimal  strate gy ca n  be d e scri be d belo w .  We  first  con s tru c t a  weig hted di rected  bipa rtite graph  WDBG: map  W and S into   the vertex set of  WDB G , an d  map the  routi ng  co st bet ween  nod es wh ich  is obtai n ed by  sam p le  evaluatio n to  the   edge  set of WDB G . Then  we are ba sed on the sh ortest p a th theory an d int r odu ce a virt ual  vertex to co nvert WDBG  to the  stein e r  weig hted  path g r ap h  SWPG in  th e con s tant -t ime  compl e xity. Finally, we  prod uce the  steine r tr ee  [17] from S W PG in  the  polynomi a l  time   compl e xity, and get the a p p roximate o p timal sol u tion  of index nod e s  which  nee d  to be split a n d   merg ed. Accordin g to th e theo ry of  dire cted  st einer tree, t he time  co mplexity and  the  optimizatio n low bo und  ca n be adju s ted  and bala n ce d by the para m eter   [0, 1].   In addition,  we find  the  sema ntics inf o rmatio n is  usu a lly ma ssive, if we in put index  node s an d their data int o  memory di rectly,  it will cau s e hu ge  I/O overhea d and mem o ry  con s um ption.  To solve t h is p r obl em, in our  S I R S CA  sy st em ,  we en cod e  t he sema nt ics  informatio n  by HCS e n c odi ng b a se d on  Hierar chy Combin ed Surrog ate. The p r o m inent  advantag e of HCS en co din g  is t hat it can improve the  efficiency of informatio n recom m en dati on  by using le ss and unifo rm n u mbe r  of bits to store mo re  data.    3.3. Realiza t i on for Modul e 3  In our SIRSCA system,  we u s e the ONIO N (O Nt ology Com p o s itION [18])  ontology  algeb ra theo ry in the aspect of ontol ogy algeb ra  semanti c  computation.  Since the th ree   operation s  are set o perations,  whi c h a r e la ck  of qu antitative arithmetic a r ith m etic ability. It is  necessa ry to improve and  ext end the ONIO N ontol ogy algeb ra  sy stem be ca use the sem antic  simila rity com putation in  o u r SIRS CA system is  reli e d   on set ope rations, arithm etic  o peration s ,  logic  ope ratio n s a nd oth e r  one s. So we  prop os e EOA S  (Extension  Ontology Alg ebra Sy stem),  whi c h i s  defin ed by  ∑ =(O,  R, Op’ ) , whe r e  ∑  is th e alg ebra  within  o n tology, O is  the co ncept set  of ontology, R is the four  relation s (pa r t-of, kind- of, attribute - of and i n stan ce -of),  Op’ co ntain s  the   set of interse c tion, unio n , of differen c e,  also we  ad d  the arithmeti c  ope rato rs  such a s  ad dition,  subtractio n,  multiplicatio n  and lo gical  operator.   F u rtherm o re, ou r SIRSCA  sy stem p r op oses a   set of sequ e n tial com puti ng op erato r  t o  reali z e  pa rallel, ord e r, i n terrupt, re co very, su spen d of  sema ntics in  the aspe ct of  seq uential    sema ntic   co mputing. At the same tim e , we  define  the   rule s such a s  the la ws  of cal c ulu s ,  whi c h  can  e n su re  co rre ctness of tem poral  se mant ic   comp uting.   The e s sen c e  of inform atio n re com m en dation m e tho d s i s  to find  the items  wh ich a r e   simila r to th e  descri p tion  of  user p r efere n ce s  and  recommen d s the s e ite m s to th e u s e r . Fo r th is  observation,  we e m ploy t he follo wing  idea s.  The S I RSCA sy ste m  uses th e f ound ation d a t a   ontology an d  the use r  p r eferen ce on tology  as th e input of i n formatio n recom m en dati o n   methods, and utilizes EOA S  ext ension  ontology al gebra System fo r semantic computing of  the  foundatio n da ta ontology and the us e r  p r eferen ce ont ology. Then  the SIRSCA system achi eves  retain s items  that is much  simila r to the use r   prefere n c e ontol ogy, and di scar d s   items that is less   simila r to the user p r efe r e n ce o n tology . Specially , in orde r to effectively integrate the so cial  recomme ndat ion me ch ani sm, the SIRS CA  system fi rs t obtai ns the  prefere n ce o n tology  whi c h  is  related  to the  use fro m  so cial  netwo rks,  and  se manti c ally comp utes bet ween  t h is ontology and   the u s e r  p r ef eren ce  ontol ogy. The n , th e SIRSCA  sy stem  gets th e final  re com m endatio n  re sult  by taking th e sem antic  comp uting b e twee n  the relevan c e preferen ce ont ology  and  t h e   foundatio n da ta ontology.  In orde r to efficiently achie v e the adaptiv e personali z ed re comm e ndation, the SIRSCA  system p r op ose s  the con c ept s and te chn o logie s   of  evolution ch ain of use r  p r eferen ce. T he  evolution  cha i n of u s er preferen ce s i s   con s i s t of u s er p r efe r en ce  ontologi es in differe nt time   node s, whi c h  record s a n d  tracks  cha n ges in  differe nt perio ds of  use r  preferen ce s, and the n  it  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Efficient System  for Inform ation Re co mm endation (Zhenh ua Hua ng)  4635 can  a ccu ratel y  predi ct a n d  adju s t item s intere sted  for the  u s er  by analyzi n g  and  mining   the   kno w le dge in  the chai n of user p r efe r en ces.     3.4. Realiza t i on for Modul e 4  An importa nt index of migration m e th ods  of info rmation re co mmend ation  system s  betwe en server  clu s te rs is  the syste m   out age  probability, the  downtime, and the fu nction   recovery tim e  of soft mo dule s . The r ef ore, in  o u r  S I RS CA  sy st em,  we n e e d s t o   solv e t w o  techni cal  difficultie s: (1 )  How to  sele ct  the targ et se rver  clu s ter  whe n  the  sy stem nee d to  be   migrate d ; (2)  Ho w to make  effective and  safe sy stem  migratio n.  For the firs t tec h nical difficulty, our SIRSCA s y stem  use s   the qu e r y optimize r  o f  existing   distrib u ted  d a taba se  man ageme n t  systems to  pe ri odically colle ct meta  data  by the  qu e r y  optimize r  of t he existin g  d i stribute d  dat aba se ma na gement  syste m , includi ng  the C2 -DISINX  indexing me chani sm, the value of Hierarchy Co m b i ned Surrog ate, joint proba bility or density  function  of  u nderlyin g d a ta an d  rep eat ability of u s e r  prefere n ce i n formatio n. A nd o n  thi s   ba sis,  the proje c t ch ose the n o te of the minimu m co st  as the  target se rver cluste r of migration.   For the  se co nd techni cal  difficulty, our  SIRS CA sy stem complete s the live mi g r ation of   informatio n recom m en dati on system s throug h  th re e  s t ag es  from th e   s o u r ce  se r v er   c l us te r   NSRC to the target se rver clu s ter  NDST. In  the first stage,  our SI RSCA system creates  sna p shots fo r the metadata  of informatio n re co mm end ation syste m s, and  migrate the sna p shot s  to NDST, and let information re co mmen d a tion alg o rith ms  run  on  ND ST. At the  same time, thes e   recomme ndat ion algo rithm s  are still  ru nning  on  the  NSRC, thus the re comm endatio n re sults  from NDST lag behi nd NSRC. He nce in the se co n d  stage, ou r SIRSCA  syst em synchroni ze s  the recomme ndation resul t s of NDST  and NS RC  circ ul arly. In the third sta g e, NSRC  sto p s   runni ng  of th e information  re com m end ation al gorit h m s, a nd  co p y s the  different pa rts of  the  recomme ndat ion re sults to  NDST. In add ition, we  prov e the corre c tn ess and effe ctiveness of the   system mig r a t ion method theoretically.       4. Experimental Ev aluation  This se ct ion con d u c t s   a n  empiri cal st u d y   of our SIRSCA syste m  usin g the b e n chm a rk  synthetic  dat aset s ITEMS and  USERS .  ITEMS is t he set of item s which  ha s 20  characte ri stic  attributes, an d USERS is the set of use r s whic h has  10 prefe r en ce attributes.  We evaluate  the  efficiency and the scal abilit y of our SIRSCA system.   In the first group of expe ri ments, we  fix the ca rdin ality of USERS to 10 6 , and  let the  cardinality of  ITEMS vary in the ra nge [ 1 10 6 , 9 10 6 ] .  Figure 2  sh ows the expe rimental  re sul t s   for this group.       Figure 2. The  first grou p of experim ents      0.0% 10.0% 20.0% 30.0% 40.0% 50.0% 60.0% 70.0% 80.0% 90.0% 100.0% 1M 3M 5M 7M 9M recommendation success  rate  the cardinality of  ITEMS  SIRSCA  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4631 – 4 638   4636 In the Fig u re   2, We  ca n o b s erve  that o u r  SIRSCA  sy stem h a s the  good i m plem entation   perfo rman ce.  Speci a lly, the re com m en dation  su cce ss  rate  of ou r SIRSCA sy stem in ea ch  case  is great than  80%. For e x ample, in Figur e 2,  whe n  the cardinali t y of ITEMS  equal s 10 6 , the  recomme ndat ion su cce s s rate of our SIRSCA  system is e q u a l to 90.2%. And whe n  the   cardinality of  ITEMS equal s 9 10 6 , th e recom m en dati on  su ccess  rate  of o u r SI RSCA  sy ste m  is   equal to 91.5 % .     In the second  gro up of  exp e rime nts,  we  fix the c a rdinality of ITEMS to 5 10 6 , a nd let the  cardinality of USERS vary in the range [ 2 10 5 , 1 10 6 ]. Figure 3 sh ows the expe rimental resul t s   for this group.     Figure 3. The  Second  Gro up of Experi m ents      In the Fig u re   3, We  ca n o b s erve  that o u r  SIRSCA  sy stem h a s the  good i m plem entation   perfo rman ce.  Like th e first gro up  of e x perime n ts,  t he re comm e ndation   success rate of our  SIRSCA sy stem in  ea ch  case  is   great t han  80%. Fo r example, i n   Figure 3,  whe n  the  ca rdin al ity  of USERS  eq uals 2 10 5 , t he recomme ndation  success rate of  o u r SIRS CA  system is eq u a l to   88.6%. And  whe n  the  cardinality of IT EMS equal s  1 10 6 , th e  re comm end atio n succe s s  rat e  of  our SIRSCA  system i s  equ al to 92.8%.  In the three group of expe riments, we le t t he cardin alities of ITEMS and USERS vary in  the ra nge s [ 1 10 6 , 9 10 6 ] and [2 10 5 , 1 10 6 ] re sp ectively. Figu re 4  shows t he expe rime ntal  results  for this  group.     Figure 4. The  Third G r oup  of Experimen ts    0.0% 10.0% 20.0% 30.0% 40.0% 50.0% 60.0% 70.0% 80.0% 90.0% 100.0% 0.2M 0.4M 0.6M 0.8M 1M recommendation success  rate  the cardinality of  USERS  SIRSCA  0.0% 10.0% 20.0% 30.0% 40.0% 50.0% 60.0% 70.0% 80.0% 90.0% 100.0% 1M/0.2M 3 M/0.4M 5M/0.6M 7 M/0.8M 9M/1M recommendation success  rate  the cardinalities  of  ITEMS and USERS  SIRSCA  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Efficient System  for Inform ation Re co mm endation (Zhenh ua Hua ng)  4637 In the Fig u re   4, We  ca n o b s erve  that o u r  SIRSCA  sy stem h a s the  good i m plem entation   perfo rman ce.  Unlike the a bove two gro ups of expe ri ments, the re comm end at io n su cc es s rat e  of  our SIRS CA  system i n  ea ch  ca se i s  g r eat than  8 5 %  in this  gro u p  of experim e n ts. Fo r exa m ple,  in Figu re  4,  whe n  the  ca rdinalitie s of I T EMS and  USERS equ al  1 10 6  and  2 10 5  re sp ectiv e ly,  the recomme ndation success rate of our SIRSCA  system is equ al to 90.3%.  And whe n  the   cardinalitie s  of ITEMS and USERS eq ual 9 10 6  an d 1 10 6  resp ectively, the recomme ndat ion   su ccess rate  of our SIRSCA  system is e qual to 91.5% .      6. Conclusio n   Information  overloa d  ha s appea re d a s  the  matu ri ty of Web 2.0, and inf o rmatio n   recomme ndat ion system s p l ay important  role for  mini n g  the potentia l con s umptio n tenden cy a n d   finding the ite m s that u s e r s are i n tere ste d  in. In  this  p aper,  we  de si gn the SIRS CA system  whi c h  is an  efficient  informatio n recom m en dati on sy stem  of  new  gen erati on an d is  ba sed on th e cl o u d   comp uting p l atform archi t ecture,  sem antic -drive n  foundatio n d a ta co nnotat ion an d u s er  prefe r en ce.  Specially, in  our SIRS CA sy st em,  we  propo se four mo d u les:  sem a n t ics  rep r e s entatio n of foundation data and  user p r ef ere n ce info rmati ons; indexin g  mecha n ism  of  massive sem antic info rma t ions un de r cloud a r chitect u re; re co mm endatio n app roa c he s b a sed  on se manti c  comp utation  theory; and  technol ogie s  of dynami c  migration  unde r the cl oud  architectu re. O ur SIRS CA system  d r a s tically ch ang es the status q u o  that the existing info rmat ion  recomme ndat ion sy stems  focu s on th e  mathemati c al  ch ara c te ristics of data,  and ign o re  the   unde rlying kn owle dge  sem antics of data ,  and provide s  a novel the o retical and t e ch nical way  for   the informatio n recomme nd ation.      Ackn o w l e dg ements   This  wo rk is  sup porte d by  the New  Ce ntury  Excellent Talent s in  Univ er sity  ( N o. NCET - 12-0 413 ), the National  Natural Scie nce Fo und ation of Chin a (No. 61 27 2268 ), and  the  Funda mental  Re sea r ch Fu nds for th e Cent ral Universities (Ton gji University).       Referen ces   [1] Beilin  L.  A Stu d y of Perso nal i z e d  R e co mme ndati on Ev al u a t ion b a sed  on  Custo m er S a ti sfaction i n  E- commerce . Procee din g s of the Internati o n a l  Confer enc e  o n  Comp uter Scienc e an d Se rvice S y ste m   (CSSS). Nanj in g. 2011: 1 29-1 32.   [2]  Kobay a shi I,  Saito M. A Study  on an Inf o rmation  Rec o mmend ation S y stem  that Pr ovid es T opical   Information R e lated to User’s  I nquir y  for Inf o rmatio n  Retri e val.  New  Generati on Co mp uting . 20 07;   26(1): 39- 48.   [3]  Porat AD. Mass Co mmun i cati on o n  Soci al  Medi a: Strateg y  for Sca l i ng u p  Perso nal  Co nversati ons .   Journ a l of Dig ital & Socia l  Me dia Mark eting .  201 3; 1(1): 74- 81.   [4]  Liu  NH.  Com p ariso n  of  Co ntent-bas ed  Mus i c  R e comme nd ation  usi n g  Dif ferent D i stanc e Estimati o n   Methods.  Ap pli ed Intell ig ence .  2013; 3 8 (2): 1 60-1 74.   [5]  Deb nath S, Ga ngu l y  N, Mitra   P.  F eature W e i ghtin g i n  C onte n t bas ed  Reco mme n d a tion  S ystem  Usin g   Social Networ k Analysis . Pr ocee din g s of the 1 7 th Intern ation a l C onfer ence  on W o rl d W i de W e b   (WWW) . Beijing. 2008: 1041- 1042.  [6]  W a rtena C, S l akh o rst W ,  W i bbels  M.  S e lecti ng K e yw ords for  Co ntent b a sed  Re commen datio n .  Procee din g s  of the  19th  ACM  inte r natio na l c onfere n ce  on  Informatio n  a n d  kno w l e dg e m ana geme n t   (CIKM).  T o ronto. 2010: 1 522- 153 6.   [7]  Canta dor I, Bello gín A, Va ll et D.  Conte n t-base d  Rec o mme n d a tion  i n  Soci al T a g g i ng Syste m s .    Procee din g s  of the  fourth  AC M confer enc e  on  Re comm en der s y stems  ( R ecS y s). Barc elo na.  201 0 :   237- 240.   [8]  Shi J, Lo ng M ,  Liu Q, Di ng  G, W ang J.  T w in Bridg e  T r ansfer L ear nin g  for Sp arse  Coll ab orati v e   Filtering . Pr oce edi ngs of th e 1 7 th Pacific-As i a  Co nfere n ce  on Adv anc es i n  Kno w l e dg e  Discover y   an d   Data Min i ng (P AKDD). Gold C oast. 201 3; 78 18: 496- 50 7.  [9]  W e i S, Ye N, Z han g S, Hua n g  X, Z hu J.  Col l abor ative F ilter ing R e co mme n datio n Alg o rith m Bas ed o n   Item C l usteri n g  an d  Gl ob al  Si mi l a ri ty . Proc eed ings  of the  5th Intern atio nal  Conf erenc e on  Busi nes s   Intelli genc e an d F i nanc ial En gin eeri ng (BIF E). Lanzho u. 2 012: 69- 72.   [10]  Karatzog lo u A ,  Amatriain  X,  Baltrun a s L,  Oliver N.  Mu ltiverse R e co mme n d a tion:  n-Di me nsi ona l   T ensor F a ctori z a t i on for Co ntex t-aw are C o lla bor ative F i l t ering . Proce e d in gs of the fourth ACM   confere n ce o n  Recomme nd er  s y stems (Rec S y s). Barcel on a. 2010: 7 9 -86.   [11]  Burke R. Hy brid Rec o mmender S y stems: Surve y  a nd E x p e riments.  Us er  Mode lin g a nd  User-Ad apte d   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4631 – 4 638   4638 Interaction . 2 0 02; 2(4): 33 1-3 70.   [12]  Esfahan i MH, Alhan F K .  N e w  Hybrid R e commen datio n  System b a se d On C-Mea n s  Clusteri n g   Method . Pr oce edi ngs  of the  5 t h Co nferenc e  on Inform at ion   and  Kno w l e dg e T e chnol og y ( I KT ). Shiraz.   201 3: 145- 149.   [13]  Che n  X, L i u  X,  Huan g Z ,  Sun  H.  Regi onKN N : A Scalab le  Hybrid  Col l a b o r ative F ilteri ng  Algorit h m  for   Person ali z e d   W eb Service R e co mme ndati o n . Proceedings  of IEEE Inter national Confer ence on Web  Services (ICW S). Miami. 201 0: 9-16.   [14]  Nad eau  D, Sekin e  S. A Surve y  of  Nam ed Entit y  Rec ogn ition  and  Classific a tio n .  Lingv istica e   Investigationes . 2007; 30( 1): 3-26.  [15] Hofman n  T .   Proba bil i stic Lat ent Se ma ntic Analys is .    Proceed ings  of the F i fteenth co nferenc e  o n   Uncerta i nt y  in artificial  i n tel lig enc e (UAI). Stockho l m. 199 9: 289-2 96.   [16]  Ha M, Wang  C, Chen J. T he Support V e c t or  Machine based on  Intuitionistic Fuzz y   Number and  Kernel Function.  Soft Comp uting . 20 13; 17( 4 ) : 635-64 1.  [17]  B y rka J, Gran don i F ,  Rothvoss T ,  Sanità L.   Steiner T r ee Appro x imati on via Iterativ e  Ran domiz ed   Rou ndi ng.  Jour nal of the ACM . 2013; 60( 1): 1-35.    Evaluation Warning : The document was created with Spire.PDF for Python.