In this section we study a class of

In this section we study a class of item-based recommendation
algorithms for producing predictions to users. Unlike
the user-based collaborative ltering algorithm discussed in
Section 2, the item-based approach looks into the set of
items the target user has rated and computes how similar
they are to the target item i and then selects k most
similar items fi1; i2;::: ;ikg. At the same time their cor- responding similarities fsi1; si2;::: ;sikg are also computed.
Once the most similar items are found, the prediction is
then computed by taking a weighted average of the target
user's ratings on these similar items. We describe these two
aspects, namely, the similarity computation and the prediction
generation in details here.

ผลลัพธ์ (ไทย) 1:

ในส่วนนี้ เราศึกษาระดับของคำแนะนำใช้สินค้าอัลกอริทึมสำหรับการคาดคะเนผู้ผลิต ซึ่งแตกต่างจากอัลกอริทึมโดยผู้ใช้ ltering ร่วมในส่วน 2 วิธีใช้สินค้ามีลักษณะเป็นชุดของสินค้าที่มีการจัดอันดับผู้ใช้เป้าหมายและคำนวณคล้ายคลึงพวกเขาจะรายการเป้าหมายฉัน แล้ว k เลือกมากที่สุดคล้ายรายการ fi1 i2;:::; ikg ขณะเดียวกันผู้ประกอบ-ตอบสนองความเหมือน fsi1 si2;:::; sikg จะยังคำนวณเมื่อพบรายการคล้ายคลึงกันมากที่สุด คำทำนายความแล้ว คำนวณค่าเฉลี่ยถ่วงน้ำหนักของเป้าหมายด้วยการจัดอันดับของผู้ใช้สินค้าเหล่านี้คล้ายคลึงกัน เราอธิบายสองเหล่านี้ด้าน ได้แก่ คำนวณความคล้ายคลึงกันและการทำนายสร้างในรายละเอียดที่นี่

ผลลัพธ์ (ไทย) 3:

ในส่วนนี้เราศึกษาระดับของรายการตามขั้นตอนวิธีการข้อเสนอแนะ
การผลิตคาดคะเนเพื่อผู้ใช้ ซึ่งแตกต่างจากผู้ใช้ที่ใช้ร่วมกัน 

ltering ขั้นตอนวิธีที่กล่าวถึงในมาตราที่ 2 แนวทางตามรายการดูชุด
รายการผู้ใช้เป้าหมายได้คะแนนสูงสุด และคำนวณว่าคล้ายกัน
มีสินค้าเป้าหมายผมแล้วเลือก K ที่สุด
คล้ายรายการ fi1 ; I2 ; : : : ; กิโลกรัม .ในเวลาเดียวกันพวกเขาคร - สนองความคล้ายคลึงกัน fsi1 ; si2 ; : : : ; sikg ยังคำนวณ .
เมื่อรายการที่คล้ายกันมากที่สุดพบว่า การทำนาย
แล้วคำนวณโดยการใช้ค่าเฉลี่ยถ่วงน้ำหนักของเป้าหมาย
ผู้ใช้อันดับบนรายการที่คล้ายกันเหล่านี้ เราอธิบายทั้งสอง
ด้านคือ ความเหมือนในการคำนวณและพยากรณ์
รุ่นในรายละเอียดที่นี่