Уважаемые коллеги, доброго времени суток! Представляем вам египетское научное издание Egyptian Informatics Journal. Журнал имеет второй квартиль, издается в Faculty of Computers and Information, Cairo University, находится в открытом доступе, его SJR за 2020 г. равен 0,728, импакт-фактор - 3,943, электронный ISSN - 1110-8665, предметные области - Теория управления и исследования операций, Информатика – программная инженерия, Компьютерные науки, Информационные системы, Прикладная наука о компьютерах. Вот так выглядит обложка:
Редактором является Иман Али Сароит Исмаил, контактные данные - i.saroit@ fci-cu.edu.eg.
Египетский журнал информатики издается факультетом компьютеров и искусственного интеллекта Каирского университета. Данный журнал представляет собой форум для новейших исследований и разработок в области вычислений, включая компьютерные науки, информационные технологии, информационные системы, исследования операций и поддержку принятия решений. Рекомендуется присылать новаторские и ранее не публиковавшиеся работы по темам, охватываемым журналом, из академических, исследовательских или коммерческих источников.
Адрес издания - https://www.journals.elsevier.com/egyptian-informatics-journal
Пример статьи, название - Exploiting dynamic changes from latent features to improve recommendation using temporal matrix factorization. Заголовок (Abstract) - Recommending sustainable products to the target users in a timely manner is the key drive for consumer purchases in online stores and served as the most effective means of user engagement in online services. In recent times, recommender systems are incorporated with different mechanisms, such as sliding windows or fading factors to make them adaptive to dynamic change of user preferences. Those techniques have been investigated and proved to increase recommendation accuracy despite the very volatile nature of users’ behaviors they deal with. However, the previous approaches only considered the dynamics of user preferences but ignored the dynamic change of item properties. In this paper, we present a novel Temporal Matrix Factorization method that can capture not only the common users’ behaviours and important item properties but also the change of users’ interests and the change of item properties that occur over time. Experimental results on a various real-world datasets show that our model significantly outperforms all the baseline methods. Keywords: Recommender system; Collaborative filtering; Concept drift; Temporal models; Temporal matrix factorization
