Recommendation of Resource Allocation Decision Based on Bipartite Graph Network Structure

Wen Pei; Wen-An Pan; Jui-Chan Huang

doi:10.5573/IEIESPC.2025.14.1.128

추천

검색

질문

자료유형: 학술저널

저자정보: Wen Pei (Chung Hua University) Wen-An Pan (Chung Hua University) Jui-Chan Huang (National Kaohsiung University of Science and Technology)

저널정보: 대한전자공학회 IEIE Transactions on Smart Processing & Computing IEIE Transactions on Smart Processing & Computing Vol.14 No.1

발행연도: 2025.2

수록면: 128 - 139 (12page)

DOI: 10.5573/IEIESPC.2025.14.1.128

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

In resource allocation decisions in business, fully understanding customers’ needs and preferences helps to maximise benefits. As a result, in the modern business environment, the design of customized recommendation systems has gained a lot of attention. To this end, the study designs a recommendation algorithm for resource allocation decision based on improved two-part graph network structure. In this algorithm, an improved K-means clustering algorithm is introduced to deeply mine potential information. The calculation of similarity between users is also optimised to assist the target user to find the real neighbouring users. The findings demonstrate that, in comparison to the other algorithms, the resource allocation recommendation algorithm based on improved bipartite graph suggested in the study has a greater hit rate. The hit rate of the suggested algorithm can reach 32.5% when the recommendation list length is 10, which is a 21.5% improvement over the collaborative filtering algorithm. The suggested algorithm’s popularity is only 39.1, which is 69.3 less than the collaborative filtering algorithm when the suggestion list length is 10. Furthermore, the suggested algorithm for resource allocation decision-making created by the research has a greater recommendation accuracy, more personalization, and diversity, as seen by the proposed algorithm’s mean Hamming distance of 0.976. Through an improved bipartite graph network, the algorithm can fully analyze the historical preference information of users, effectively capture the complex relationship between users and products, generate personalized recommendation lists, and improve user satisfaction and purchase conversion rates. It provides an effective recommendation role for resource allocation decisions in modern business and helps to create greater economic benefits.

#Bipartite graph networks #Decision recommendation #Inter-user similarity #K-means clustering algorithm #Resource allocation

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문과 함께 이용한 논문

전창영 , 노기영 한국언론학보 2024 .12

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-092293509

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)