In case of categorical attributes (

In case of categorical attributes (e.g., Gender, Job, and City), we allocate one cell per attribute. For continuous domain attributes (e.g., age and salary), we divide the space into N parts, where parts have almost equal number of ratings. More sophisticated techniques can be used to divide the space. Yet, we opt for a simple division here as a proof of concept for RECATHON functionality. (2) RecModel Building, where the RecModel table for each cell C in G is built by running the specified recommender algorithm in the CREATE RECOMMENDER statement on the set of users U whose attributes correspond to the subdomain covered by C. For instance, in case of ItemCosCF recommendation algorithm, we scan the ratings table and run a nested loop algorithm over all items to calculate the cosine similarity score between every item pair in each cell C using equation 1. After the initialization procedure terminates, a pointer to the newly created grid structure G is added to the RecIndex field corresponding to the appropriate recommender entry in RecCatalog.

ผลลัพธ์ (ไทย) 1:

ในกรณีที่แน่ชัดแอตทริบิวต์ (เช่น เพศ งาน และการเมือง), เราจัดสรรเซลล์หนึ่งต่อแอตทริบิวต์ สำหรับแอตทริบิวต์โดเมนต่อเนื่อง (เช่น อายุและเงินเดือน), เราแบ่งพื้นที่ N ที่ชิ้นส่วนที่มีจำนวนคะแนนเกือบเท่ากัน สามารถใช้เทคนิคที่ซับซ้อนมากขึ้นเพื่อแบ่งพื้นที่ ยัง เราเลือกส่วนที่เรียบง่ายที่นี่เป็นหลักฐานของแนวคิดสำหรับการทำงาน RECATHON (2) อาคาร RecModel ที่สร้างตาราง RecModel สำหรับแต่ละเซลล์ C G โดยใช้อัลกอริทึมระบุผู้แนะนำในงบสร้างผู้แนะนำบนการตั้งค่าของผู้ใช้ U ที่มีแอตทริบิวต์ที่สอดคล้องกับโดเมนย่อยที่ครอบคลุม โดยค เช่น ในกรณีของอัลกอริทึมคำแนะนำของ ItemCosCF เราสแกนตารางการจัดอันดับ และเรียกใช้อัลกอริทึมแบบวนซ้ำซ้อนผ่านทุกรายการเพื่อคำนวณคะแนนคล้ายโคไซน์ระหว่างทุก ๆ คู่สินค้าในแต่ละ เซลล์ C ใช้สมการ 1 หลังจากสิ้นสุดขั้นตอนการเตรียมใช้งาน ตัวชี้ไปยังโครงสร้างตารางที่สร้างขึ้นใหม่ G ถูกเพิ่มเข้าไป RecIndex ฟิลด์ที่สอดคล้องกับรายการใน RecCatalog ผู้แนะนำที่เหมาะสม

ผลลัพธ์ (ไทย) 2:

ในกรณีของคุณลักษณะเด็ดขาด (เช่นเพศอาชีพและเมือง), เราจัดสรรหนึ่งเซลล์ต่อแอตทริบิวต์ สำหรับแอตทริบิวต์โดเมนอย่างต่อเนื่อง (เช่นอายุและเงินเดือน) เราแบ่งพื้นที่ออกเป็นส่วนไม่มีส่วนไหนมีจำนวนเกือบเท่ากับของการจัดอันดับ เทคนิคที่ซับซ้อนมากขึ้นสามารถใช้ในการแบ่งพื้นที่ แต่เราเลือกสำหรับส่วนที่เรียบง่ายที่นี่เป็นข้อพิสูจน์ของแนวคิดสำหรับการทำงาน RECATHON (2) อาคาร RecModel ที่ตาราง RecModel สำหรับแต่ละเซลล์ซีจีที่ถูกสร้างขึ้นโดยการเรียกใช้อัลกอริทึม recommender ที่ระบุไว้ในคำสั่งสร้าง Recommender ในชุดของผู้ใช้ U ที่มีคุณลักษณะตรงกับโดเมนย่อยที่ครอบคลุมโดยซียกตัวอย่างเช่นในกรณีที่ ขั้นตอนวิธีการคำแนะนำ ItemCosCF เราสแกนตารางการจัดอันดับและเรียกใช้อัลกอริทึมวงซ้อนกันมากกว่ารายการทั้งหมดในการคำนวณคะแนนโคไซน์ความคล้ายคลึงกันระหว่างคู่ทุกรายการในแต่ละเซลล์ C โดยใช้สมการ 1. หลังจากขั้นตอนการเริ่มต้นยุติตัวชี้ไปยังตารางที่สร้างขึ้นใหม่ โครงสร้าง G จะถูกเพิ่มลงสนาม RecIndex สอดคล้องกับรายการ recommender ที่เหมาะสมใน RecCatalog

ผลลัพธ์ (ไทย) 3:

ในกรณีของแอตทริบิวต์อย่างแท้จริง ( เช่น เพศ อาชีพ และเมือง ) เราจัดสรรหนึ่งเซลล์ต่อคุณลักษณะ สำหรับโดเมนอย่างต่อเนื่องคุณลักษณะ ( เช่น อายุ เงินเดือน และสวัสดิการ ) เราแบ่งพื้นที่เป็น N ส่วนที่ส่วนมีจำนวนเกือบเท่ากัน อันดับเครดิต เทคนิคที่ซับซ้อนมากขึ้น สามารถใช้ในการแบ่งพื้นที่ แต่เราเลือกแบบง่าย ๆ ส่วนมาเป็นหลักฐานของแนวคิด recathon การทํางาน ( 2 ) อาคาร recmodel ที่ recmodel ตารางสำหรับแต่ละเซลล์ C G ที่ถูกสร้างขึ้นโดยใช้วิธีที่แนะนำในการ สร้าง แนะนำงบในชุดของผู้ใช้ U ที่มีคุณลักษณะสอดคล้องกับโดเมนย่อยที่ครอบคลุมโดย ตัวอย่างเช่นในกรณีของขั้นตอนวิธีการแนะนำ itemcoscf เราสแกนตารางคะแนนและวิ่งเป็นวงซ้อนกันวิธีผ่านรายการทั้งหมดเพื่อคำนวณค่าโคไซน์ความเหมือนคะแนนระหว่างสินค้าทุกคู่ในแต่ละเซลล์ C ใช้สมการที่ 1 หลังจากขั้นตอนการเริ่มต้นสิ้นสุดลง , ตัวชี้ไปยังโครงสร้างของตารางที่สร้างขึ้นใหม่จะถูกเพิ่มไปยังสนาม recindex G สอดคล้องกับรายการแนะนำที่เหมาะสมใน reccatalog .