Breese et al. [15] implement a Baye

Breese et al. [15] implement a Bayesian Network where each node corresponds
to each item. The states correspond to each possible vote value. In the network, each
item will have a set of parent items that are its best predictors. The conditional prob-
ability tables are represented by decision trees. The authors report better results for
this model than for several nearest-neighbors implementations over several datasets.
Hierarchical Bayesian Networks have also been used in several settings as a way
to add domain-knowledge for information filtering [78]. One of the issues with hier-
archical Bayesian networks, however, is that it is very expensive to learn and update
the model when there are many users in it. Zhang and Koren [79] propose a varia-
tion over the standard Expectation-Maximization (EM) model in order to speed up
this process in the scenario of a content-based RS.

ผลลัพธ์ (ไทย) 1:

ทฤษฎีเครือข่ายที่แต่ละโหนตรงใช้ breese et al. [15]แต่ละรายการ อเมริกาสอดคล้องกับแต่ละค่าคะแนนที่ได้ ในเครือข่าย แต่ละสินค้าจะมีชุดของรายการหลักที่ predictors ของดี มีเงื่อนไข prob-ความสามารถในตารางจะแสดง โดยต้นไม้ตัดสินใจ ผู้เขียนรายงานผลลัพธ์ที่ดีขึ้นสำหรับนี้รุ่นกว่าสำหรับการใช้งานใกล้บ้านต่าง ๆ ผ่าน datasets หลายเครือข่ายทฤษฎีลำดับชั้นยังใช้ในการตั้งค่าต่าง ๆ เป็นแบบการเพิ่มความรู้โดเมนสำหรับข้อมูล filtering [78] ประเด็นกับ hier-เครือข่ายทฤษฎี archical อย่างไรก็ตาม คือว่า มันแพงมากเพื่อเรียนรู้ และปรับปรุงรูปแบบเมื่อมีผู้ใช้หลายคนในนั้น จางและ Koren [79] เสนอ varia แบบสเตรชันมากกว่าแบบ Maximization ความคาดหวัง (EM) มาตรฐานรวดเร็วขึ้นกระบวนการนี้ในสถานการณ์ของ RS ที่ตามเนื้อหา

ผลลัพธ์ (ไทย) 2:

Breese et al, [15] ใช้คชกรรมเครือข่ายที่สอดคล้องกับแต่ละโหนด
แต่ละรายการ รัฐตรงกับค่าที่เป็นไปได้ออกเสียงลงคะแนนในแต่ละ ในเครือข่ายของแต่ละ
รายการจะมีชุดของรายการที่ผู้ปกครองที่มีการพยากรณ์ที่ดีที่สุด เงื่อนไขกำหนดปัญหาที่
ตารางความสามารถในการเป็นตัวแทนของต้นไม้ตัดสินใจ ผู้เขียนรายงานผลที่ดีกว่าสำหรับ
รุ่นนี้กว่าสำหรับการใช้งานหลายที่ใกล้ที่สุด-เพื่อนบ้านในช่วงหลายชุดข้อมูล.
เครือข่ายแบบเบย์ลำดับชั้นนอกจากนี้ยังมีการใช้ในการตั้งค่าหลายวิธี
ที่จะเพิ่มความรู้โดเมน ltering สายข้อมูล [78] หนึ่งในประเด็นที่มี hier-
เครือข่ายแบบเบย์ archical แต่ก็คือว่ามันแพงมากที่จะเรียนรู้และปรับปรุง
รูปแบบเมื่อมีผู้ใช้หลายคนในนั้น วอชิงตันโพสต์และโคเรน [79] เสนอ varia-
การกว่ามาตรฐานความคาดหวัง-ปรับปรุงสูงสุด (EM) รูปแบบในการสั่งซื้อเพื่อเพิ่มความเร็วใน
กระบวนการนี้ในสถานการณ์ของอาร์เอสเนื้อหาตาม

ผลลัพธ์ (ไทย) 3:

บรีส et al . [ 15 ] ใช้งานเครือข่ายที่แต่ละโหนดสอดคล้อง
แต่ละรายการ รัฐสอดคล้องกับแต่ละที่สุดโหวตค่า ในเครือข่ายแต่ละ
รายการจะมีชุดของพ่อแม่รายการที่จะพยากรณ์ที่ดีที่สุดของมัน เงื่อนไขมาก -
ความสามารถตารางจะแสดงโดยการตัดสินใจของต้นไม้ รายงานเขียนผลลัพธ์ที่ดีกว่าสำหรับ
รุ่นนี้มากกว่าหลายๆ เพื่อนบ้านที่ใกล้ที่สุดซึ่งกว่าหลายข้อมูล .
เครือข่ายแบบลำดับชั้นยังถูกใช้ในการตั้งค่าหลายเป็นวิธีที่จะเพิ่มความรู้โดเมนสำหรับข้อมูล
จึง ltering [ 78 ] หนึ่งในปัญหากับที่นี่ -
archical คชกรรมเครือข่าย อย่างไรก็ตาม คือ ว่า มันแพงมากที่จะเรียนรู้และปรับปรุง
รูปแบบเมื่อมีผู้ใช้หลายคนในนั้นจางและราก [ 79 ] เสนอ วาเรีย -
tion เกินมาตรฐานความคาดหวังสูงสุด ( EM ) รูปแบบเพื่อเพิ่มความเร็วในกระบวนการนี้

เนื้อหาสถานการณ์ของอาร์เอส