Clustering techniques work by ident

Clustering techniques work by identifying groups of consumers who appear to have similar preferences. Once the clusters are created, predictions for an individual can be made by averaging the opinions of the other consumers in that cluster. Some clustering techniques represent each consumer with partial participation in several clusters. The prediction is then an average across the clusters, weighted by degree of participation. Clustering techniques usually produce less-personal recommendations than other methods, and in some cases, the clusters have worse accuracy than nearest neighbor algorithms (Breese et al., 1998). Once the
clustering is complete, however, performance can be very good, since the size of the group that must be analyzed is much smaller. Clustering techniques can also be applied as a “first step” for shrinking the candidate set in a nearest neighbor algorithm or for distributing nearest-neighbor computation across several recommender engines. While dividing the population into clusters may hurt the accuracy or recommendations to users near the fringes of their assigned cluster, pre-clustering may be a worthwhile trade-off between accuracy and throughput.

ผลลัพธ์ (ไทย) 1:

เทคนิคระบบคลัสเตอร์ทำงาน โดยระบุกลุ่มผู้บริโภคที่จะมีลักษณะคล้ายกัน เมื่อสร้างคลัสเตอร์การ คาดการณ์สำหรับแต่ละสามารถทำ โดยการหาค่าเฉลี่ยความคิดเห็นของผู้บริโภคอื่น ๆ ในคลัสเตอร์ บางเทคนิคระบบคลัสเตอร์เป็นตัวแทนผู้บริโภคแต่ละที่ มีบางส่วนเข้าร่วมในคลัสเตอร์ต่าง ๆ คำทำนายแล้วจะเฉลี่ยในคลัสเตอร์ ถ่วงน้ำหนัก โดยระดับการมีส่วนร่วม คลัสเตอร์เทคนิคผลิตมักจะแนะนำส่วนบุคคลน้อยกว่าวิธีอื่น ๆ และในบางกรณี คลัสเตอร์มีความเลวร้ายยิ่งกว่าอัลกอริทึมเพื่อนบ้านที่ใกล้ที่สุด (Breese et al., 1998) ครั้งคลัสเตอร์เสร็จสมบูรณ์ อย่างไรก็ตาม ประสิทธิภาพการทำงานได้ดีมาก เนื่องจากขนาดของกลุ่มที่ต้องวิเคราะห์มีขนาดเล็กมาก คลัสเตอร์เทคนิคยังสามารถใช้เป็น "ก้าวแรก" สำหรับผู้สมัครในอัลกอริทึมเป็นเพื่อนบ้านที่ใกล้ที่สุดการหดตัว หรือกระจายใกล้บ้านคำนวณทั้งหลายผู้แนะนำเครื่องยนต์ ขณะแบ่งประชากรเป็นกลุ่มอาจทำร้ายความถูกต้องหรือแนะนำผู้ใกล้ชานของคลัสเตอร์ที่กำหนด คลัสเตอร์ก่อนได้ trade-off คุ้มค่าระหว่างความถูกต้องและสามารถประมวลผลได้

ผลลัพธ์ (ไทย) 2:

เทคนิคการจัดกลุ่มการทำงานโดยการระบุกลุ่มของผู้บริโภคที่ดูเหมือนจะมีความต้องการที่คล้ายกัน เมื่อกลุ่มมีการสร้างการคาดการณ์สำหรับแต่ละบุคคลสามารถทำได้โดยการเฉลี่ยความคิดเห็นของผู้บริโภคอื่น ๆ ในคลัสเตอร์ที่ บางเทคนิคการจัดกลุ่มเป็นตัวแทนของผู้บริโภคแต่ละคนมีส่วนร่วมบางส่วนในหลายกลุ่ม ทำนายแล้วเฉลี่ยทั้งคลัสเตอร์ถ่วงน้ำหนักตามระดับของการมีส่วนร่วม เทคนิคการจัดกลุ่มมักจะผลิตน้อยคำแนะนำส่วนบุคคลกว่าวิธีการอื่น ๆ และในบางกรณีกลุ่มมีความถูกต้องเลวร้ายยิ่งกว่าเพื่อนบ้านที่ใกล้ที่สุดของอัลกอริทึม (Breese et al., 1998) เมื่อ
จัดกลุ่มเสร็จสมบูรณ์ แต่ประสิทธิภาพการทำงานได้ดีมากเนื่องจากขนาดของกลุ่มที่จะต้องวิเคราะห์มีขนาดเล็กมาก เทคนิคการจัดกลุ่มนอกจากนี้ยังสามารถนำมาใช้เป็น "ก้าวแรก" สำหรับการหดตัวของผู้สมัครที่ตั้งอยู่ในอัลกอริทึมเพื่อนบ้านที่ใกล้ที่สุดหรือสำหรับการกระจายการคำนวณใกล้ที่สุดเพื่อนบ้านผ่านเครื่องมือหลาย recommender ในขณะที่การแบ่งประชากรออกเป็นกลุ่มที่อาจทำร้ายความถูกต้องหรือคำแนะนำให้กับผู้ใช้ซึ่งอยู่ใกล้กับขอบของกลุ่มที่ได้รับมอบหมายการจัดกลุ่มก่อนอาจจะมีการปิดคุ้มค่าระหว่างความถูกต้องและ throughput

ผลลัพธ์ (ไทย) 3:

ข้อมูลเทคนิคงานโดยการระบุกลุ่มผู้บริโภคที่ปรากฏมีลักษณะคล้ายกัน เมื่อกลุ่มจะถูกสร้างขึ้น , ทำนายบุคคลสามารถทำได้โดยเฉลี่ยความคิดเห็นของผู้บริโภคในกลุ่มนั้น บางเทคนิคที่เป็นตัวแทนของแต่ละกลุ่มผู้บริโภคกับการมีส่วนร่วมบางส่วนในหลายกลุ่ม การทำนายแล้วเฉลี่ยในกลุ่มถ่วงน้ำหนัก โดยระดับของการมีส่วนร่วม ข้อมูลเทคนิคมักจะผลิตข้อเสนอแนะส่วนบุคคลน้อยกว่าวิธีการอื่น และในบางกรณี กลุ่มมีความถูกต้องมากกว่าขั้นตอนวิธีการเพื่อนบ้านที่ใกล้ที่สุด ( บรีส et al . , 1998 ) เมื่อ
แบ่งกลุ่มเสร็จ แต่ประสิทธิภาพจะดีมาก เนื่องจากขนาดของกลุ่มที่ต้องวิเคราะห์ คือ ขนาดเล็กมากสำหรับเทคนิคที่ยังสามารถใช้เป็น " ขั้นตอน " ครั้งแรกสำหรับการหดตัวผู้สมัครชุดในขั้นตอนวิธีการเพื่อนบ้านที่ใกล้ที่สุดหรือเพื่อแจกจ่ายเพื่อนบ้านที่ใกล้ที่สุดการคำนวณผ่านเครื่องมือการแนะนำหลาย ในขณะที่การแบ่งประชากรในกลุ่มอาจจะทำให้ความถูกต้องหรือข้อเสนอแนะแก่ผู้ใช้ใกล้ขอบของพวกเขาเป็นกลุ่มคลัสเตอร์ก่อนเข้ากลุ่มอาจจะแลกเปลี่ยนที่คุ้มค่าระหว่างความถูกต้องและอัตรา