Before deploying a recommender syst

Before deploying a recommender system, its performance must be measured and understood.
So evaluation is an integral part of the process to design and implement recommender systems.
In collaborative filtering, there are many metrics for evaluating recommender systems.
Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) are among the most important and representative ones.
To calculate MAE/RMSE, predicted ratings are compared with their corresponding true ratings.
To predict item ratings, similarities between active users and their candidate neighbors need to be calculated.
The complexity for the traditional and naive similarity calculation corresponding to user u and user v is quadratic in the number of items rated by u and v.
In this paper, we explore the mathematical regularities underlying the similarity formulas, introduce a novel data structure, and design linear time algorithms to calculate the similarities.
Such complexity improvement shortens the evaluation time and will finally contribute to increasing the efficiency of design and development of recommender systems.
Experimental results confirm the claim

ผลลัพธ์ (ไทย) 1:

ก่อนใช้งานระบบผู้แนะนำ ประสิทธิภาพการทำงานต้องวัด และเข้าใจ เพื่อให้ การประเมินเป็นส่วนหนึ่งของกระบวนการออกแบบ และใช้ระบบผู้แนะนำ ในกรองร่วมกัน มีหลายวัดประเมินระบบผู้แนะนำ หมายถึงข้อผิดพลาดสัมบูรณ์ (แม่) และรากหมายถึงตารางข้อผิดพลาด (RMSE) ได้แก่มากที่สุดคนที่สำคัญ และตัวแทน แม่/RMSE คำนวณ คาดการณ์การจัดอันดับเมื่อเทียบกับการจัดอันดับจริงที่สอดคล้องกัน ทำนายอันดับสินค้า ความคล้ายคลึงกันระหว่างเพื่อนบ้านของผู้สมัครและผู้ใช้ต้องการคำนวณ ความซับซ้อนสำหรับแบบดั้งเดิมและหน่อมแน้ม คล้ายการคำนวณที่สอดคล้องกับผู้ใช้ผู้ใช้และคุณ v เป็นกำลังสองของจำนวนสินค้าที่ได้รับคะแนนและ v ในกระดาษนี้ เราสำรวจ regularities คณิตศาสตร์ที่ต้นคล้ายสูตร แนะนำโครงสร้างข้อมูลใหม่ และออกแบบขั้นตอนวิธีเชิงเส้นเวลาเพื่อคำนวณความคล้ายคลึงกัน การปรับปรุงความซับซ้อนดังกล่าวช่วยประหยัดเวลาในการประเมิน และสุดท้ายจะสนับสนุนการเพิ่มประสิทธิภาพของการออกแบบและพัฒนาระบบผู้แนะนำ ผลการทดลองยืนยันข้อเรียกร้อง

ผลลัพธ์ (ไทย) 2:

ก่อนที่จะปรับระบบ recommender ที่ประสิทธิภาพการทำงานจะต้องมีการวัดและเข้าใจ.
ดังนั้นการประเมินผลเป็นส่วนหนึ่งของกระบวนการการออกแบบและใช้ระบบ recommender.
ในการกรองการทำงานร่วมกันที่มีตัวชี้วัดจำนวนมากสำหรับการประเมินระบบ recommender.
หมายถึงข้อผิดพลาดแอบโซลูท (แม่) และ รากหมายถึงข้อผิดพลาดสแควร์ (RMSE) อยู่ในหมู่คนที่สำคัญที่สุดและเป็นตัวแทน.
ในการคำนวณแม่ / RMSE คาดการณ์การจัดอันดับเมื่อเทียบกับการจัดอันดับที่แท้จริงของพวกเขาที่สอดคล้องกัน.
เพื่อทำนายการจัดอันดับรายการคล้ายคลึงกันระหว่างผู้ใช้งานและเพื่อนบ้านของผู้สมัครจะต้องมีการคำนวณ
ความซับซ้อนในการคำนวณความคล้ายคลึงกันแบบดั้งเดิมและไร้เดียงสาที่สอดคล้องกับผู้ใช้ท่านและผู้ใช้โวลต์เป็นกำลังสองในจำนวนรายการที่จัดอันดับโดย u และ v.
ในบทความนี้เราจะสำรวจแบบแผนทางคณิตศาสตร์พื้นฐานสูตรคล้ายคลึงกันที่แนะนำโครงสร้างข้อมูลใหม่และ ขั้นตอนวิธีการออกแบบเส้นเวลาในการคำนวณความคล้ายคลึงกัน.
ปรับปรุงความซับซ้อนดังกล่าวลดระยะเวลาในการประเมินผลและในที่สุดก็จะนำไปสู่การเพิ่มประสิทธิภาพของการออกแบบและการพัฒนาระบบ recommender ได้.
ผลการทดลองยืนยันเรียกร้อง

ผลลัพธ์ (ไทย) 3:

ก่อนการปรับใช้ระบบการแนะนำประสิทธิภาพของมัน จะต้องวัดได้และเข้าใจดังนั้นการประเมินผลเป็นส่วนหนึ่งของกระบวนการออกแบบและพัฒนาระบบแนะนำ .ในกรองมีหลายแบบ , ตัวชี้วัดเพื่อประเมินระบบแนะนำ .ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ ( แม่ฮ่องสอน ) และรากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE ) ของคนที่สำคัญที่สุดและตัวแทนหาแม่ / RMSE , ทำนายคะแนนเทียบกับคะแนนที่สอดคล้องกันของพวกเขาจริงทำนายคะแนนรายการ ความคล้ายคลึงกันระหว่างผู้ใช้งานและเพื่อนบ้านที่ผู้เข้าแข่งขันต้องคํานวณความซับซ้อนในแบบดั้งเดิมและไร้เดียงสาความเหมือนการคำนวณสอดคล้องกับผู้ใช้และผู้ใช้ v กำลังสอง ในจํานวนรายการ / U และ Vในกระดาษนี้เราสำรวจทางคณิตศาสตร์พื้นฐานเกี่ยวกับความเหมือนสูตร แนะนำโครงสร้างข้อมูลและอัลกอริทึมเชิงนวนิยาย เวลาออกแบบ คำนวณ ความเหมือนกันปรับปรุงความซับซ้อนดังกล่าวลดลง ประเมินเวลาและในที่สุดจะนำไปสู่การเพิ่มประสิทธิภาพของการออกแบบและพัฒนาระบบแนะนำ .ผลการทดลองยืนยันเรียกร้อง