AD ALTA 

 

JOURNAL OF INTERDISCIPLINARY RESEARCH

 

 

 

in the system, he has not rated items yet. Thus, the system 
will not be able to provide accurate recommendations. 



 

The systems should contain rated items in order to 
recommend some items to the users. When a new item 
enters the systems, the item has not rated by users yet. 
Therefore, the systems will not be able to recommend it to 
the users. 



 

Sparsity is a major problem for collaborative filtering 
approach. The total number of ratings is important in the 
recommendation systems. In order to provide accurate 
recommendations by the recommendation systems, 
sufficient number of ratings should exist in the systems. 
For example, in movie recommendation systems, there are 
many movies that have been rated by only a few people. 
The systems will rarely recommend these movies [13]. 



 

In many practical collaborative filtering recommendation 
systems, the number of users and items increase rapidly in 
the system [8]. Therefore, the system needs to provide 
more and complicated computational process, and this 
leads the computational resources going beyond the 
acceptable levels. 

 
5 Demographic approach 
 
A demographic approach recommends items to the user based on 
the user’s demographic information such as gender, age, and 
date of birth. It puts the users into groups based on their 
demographic characteristics. The system will put the users who 
belong to a certain zip code into one group. Also, the users of 
ages ranging from 18 to 25 years-old will be in one group. The 
recommendation systems based on demographic approaches 
assume that the users in the same group or category share the 
same interests and preferences [13]. The demographic approach 
tracks the buying or rating behavior of the users within the same 
group or category. If there is a new user entering the system, the 
system first will place the user into a particular group based on 
the user’s demographic information. Then, the system will 
recommend products or items to the user based on the buying or 
rating behavior of the other users in the group. 

The purpose of the system is to recommend books to library 
visitors based on their personal information that is gathered from 
them through an interactive dialogue. Another recent example of 
a recommendation systems based on demographic groups is 
Lifestyle Finder. The system uses demographic groups from 
marketing research to recommend a range of products and 
services, and it gathers the data from users through a short 
survey. The advantage of the demographic approach is: the 
system does not require maintaining a history of user ratings like 
in content based and collaborative filtering approaches [8]. 
 
5.1 Limitation of demographic approaches 
 


 

The demographic approach suffers from is how to identify 
the group or category that the user belongs to when the 
user is new to the system.  



 

The demographic approach how to identify the interests 
and preferences of users within the same group.  



 

The demographic approach is the demographic system 
works well when the demographic data is available to the 
system. 



 

The accuracy of recommendation systems based on 
demographic data is less than those recommendation 
systems based on content or collaboration filtering. 

 
6 Hybrid recommendation approach 
 
Since all above-mentioned approaches have complementary 
strengths and weaknesses, so a hybrid recommender system 
combines two or more recommendation techniques to gain better 
system performance and mitigate the weaknesses of individual 
ones.  
 
However, recommendation approaches previously introduced 
may be combined in hybrid approaches. Many of the studied 
approaches have some hybrid characteristics. For instance, 

content-based approach uses global relevance attributes to rank 
the candidates, or graph methods are used to extend or restrict 
potential recommendation candidates.  
 
Therefore, hybrid recommendation technique used so-called 
“feature augmentation”. It is a weak form of hybrid 
recommendation technique, since the primary technique is still 
dominant. In true hybrids, the combined concepts are similarly 
important, among the approaches reviewed; only TechLens 
approaches may be considered true hybrid approaches. 
 
TechLens [31] is one of the most influential research-paper 
recommender systems. TechLens was developed by the 
GroupLens31 team. Currently the GroupLens team is still active 
in the development and research of recommender systems in 
other fields. Between 2002 and 2010, Konstan, Riedel, McNee, 
Torres, and several others published six articles related to 
research-paper recommender systems. Often, McNee et al.’s 
article from 2002 is considered to be the original TechLens 
article [34]. However, the 2002 article introduced some 
algorithms for recommending citations, which was introduced in 
2004 by Torres et al. [31]. Two articles about TechLens 
followed in 2005 and 2007 with respect to recommendations. In 
2006, McNee et al. analyzed potential pitfalls of recommender 
systems [35]. In 2010, Ekstrand et al. published another article 
on the approaches of TechLens [36].   
 
TechLens’ algorithms were adopted from Robin Burke [8] and 
consisted of three content-based approach variations, two 
collaborative filtering approach variations, and five hybrid 
approaches.  
 
Pure-content-based approach served as a baseline in the form of 
standard content-based approach in which a term-based user 
model was compared with the recommendation candidates. In 
the case of TechLens, terms from a single input paper were used. 
In content-based approach -Separated, for each paper being cited 
by the input paper, similar papers are determined separately and 
at the end the different recommendation lists are merged and 
presented to the user. In combined content-based approach, 
terms of the input paper and terms of all papers being cited by 
the input paper are combined in the user model. Then the papers 
most similar to this user model are recommended. [38, 39] 
 
Pure-collaborative filtering approach served as another baseline 
and represented the collaborative filtering approach from McNee 
et al., in which papers were interpreted as users and citations 
were interpreted as votes [34].  
 
Hybrid: With Pure-CF->CBF Separated, recommendations were 
first created with Pure- collaborative filtering. These 
recommendations were then used as input documents for CBF-
Separated. Similarly, Pure-CF->CBF Combined, CBF 
Separated->Pure-CF, and CBF-Combined->Pure-CF were used 
to generate recommendations. Fusion created recommendations 
with both CBF and CF independently and then merged the 
recommendation lists.  
 
The previously discussed filtering techniques can be combined 
to produce a hybrid filtering [37]. Although any filtering 
techniques are possible to be combined, we will only focus on 
combining collaborative filtering approach and content-based 
approach. There are several ways to combine two filtering 
techniques [13], as shown in Figure 1: 
 


 

Case A: implementing a collaborative filtering approach 
and a content-based approach separately and combining 
their recommendations afterwards; 

- 261 -