Boratto / De Filippo / Lex | Recommender Systems for Sustainability and Social Good | E-Book | sack.de
E-Book

E-Book, Englisch, 162 Seiten

Reihe: Communications in Computer and Information Science

Boratto / De Filippo / Lex Recommender Systems for Sustainability and Social Good

First International Workshop, RecSoGood 2024, Bari, Italy, October 18, 2024, Proceedings
Erscheinungsjahr 2025
ISBN: 978-3-031-87654-7
Verlag: Springer International Publishing
Format: PDF
 Kopierschutz: 1 - PDF Watermark

First International Workshop, RecSoGood 2024, Bari, Italy, October 18, 2024, Proceedings

E-Book, Englisch, 162 Seiten

Reihe: Communications in Computer and Information Science

ISBN: 978-3-031-87654-7
Verlag: Springer International Publishing
Format: PDF
 Kopierschutz: 1 - PDF Watermark

This CCIS post conference volume constitutes the proceedings of the First International Workshop on Recommender Systems for Sustainability and Social Good, RecSoGood 2024, in Bari, Italy, in October 2024.

The 8 full papers  and 6 short papers included in this book were carefully reviewed and selected from 35 submissions. They cover all aspects of Recommender Systems for Sustainable Development Goals; Energy and Carbon Efficiency; and conceptualizations of diversity.

Boratto / De Filippo / Lex Recommender Systems for Sustainability and Social Good jetzt bestellen!

Zielgruppe

Research

Autoren/Hrsg.

Boratto, Ludovico
De Filippo, Allegra
Lex, Elisabeth
Ricci, Francesco

Weitere Infos & Material

.- Sustainable Development Goals; Energy and Carbon Efficiency; and conceptualizations of diversity..

.- Decoupled Recommender Systems: Exploring Alternative Recommender Ecosystem Designs.

.- Enhancing Tourism Recommender Systems for Sustainable City Trips Using Retrieval-Augmented Generation.

.- Simulating the Impact of Recommendation Salience on Tourists Experienced Utility.

.- Knowledge Data Modeling in Food Recommendation: A Case Study on Nutritional Values.

.- Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach.

.- Green Recommender Systems: Optimizing Dataset Size for Energy-Efficient Algorithm Performance.

.- EMERS: Energy Meter for Recommender Systems.

.- e-Fold Cross-Validation for Recommender-System Evaluation.

.- RecSys CarbonAtor: Predicting Carbon Footprint of Recommendation System Models.

.- Eco-Aware Graph Neural Networks for Sustainable Recommendations.

.- 14 Kg of CO2: Analyzing the Carbon Footprint and Performance of Session-Based Recommendation Algorithms.

.- From Explanation to Exploration: promoting DivErsity in Recommendation Systems.

.- Effects of Representation Nudges on the Perception of Playlist Recommendations.

Ihre Fragen, Wünsche oder Anmerkungen
Vorname*
Nachname*
Ihre E-Mail-Adresse*
Kundennr.
Ihre Nachricht*
Lediglich mit * gekennzeichnete Felder sind Pflichtfelder.
Wenn Sie die im Kontaktformular eingegebenen Daten durch Klick auf den nachfolgenden Button übersenden, erklären Sie sich damit einverstanden, dass wir Ihr Angaben für die Beantwortung Ihrer Anfrage verwenden. Selbstverständlich werden Ihre Daten vertraulich behandelt und nicht an Dritte weitergegeben. Sie können der Verwendung Ihrer Daten jederzeit widersprechen. Das Datenhandling bei Sack Fachmedien erklären wir Ihnen in unserer Datenschutzerklärung.