of dimensions. In the end, we pick

of dimensions. In the end, we pick up the N most similar
items of this list to build a group R of recommended items.
After that, our testing set is composed by the future views
of this same user group, that it will be used to check the
correctness of our method, comparing this group with the
recommended items R.
This comparison is made using diverse metrics, and in
the next section, we present the results of some of them.
The metrics exposed in Section VI-C are a variation of
Precision, the Normalized Discounted Cumulative Gain, or
nDCG [12], and the Rank-Score [11] (it extends the recall
metric to take the positions of correct items in a ranked list
into account).
We use a variation of Precision as follows: in the case
of the watched video from testing set of an user is in the
recommended items set R, the precision value is 100%,
otherwise, the result is 0%. This change was made because
our database has all video views from Sambatech Platform,
but our recommendation item is not showed to user indeed.
So, we must infer if the user watched or not an object that
would be recommended using our technique, which is made
by comparing the user watched videos and the recommended
items set. However, a precision of 0% does not means that
the technique failed, once the object was not offered to
user, it is only used this value to discriminate the results.
Furthermore, in the online videos scenario, watch only one
video from a small group of recommended items can be
treated as a success. In other words, the user does not have
to watch all recommended items to validate the success of
technique.
An example of this precision case is the Youtube: after
finish a video, there are lots of videos recommended. In the
case of one hit, it may be concluded that the recommendation
was successful.
C. Results
Because of our large database, we must at first split the
training and testing sets, which was made as presented in
Table III.
Training set Testing set
07/01/2012 07/02/2012 a 07/07/2012
Table III
DATASET SPLIT
We must emphasize that the one week result was chosen
because it is a representative portion or our database, and it
covers a large amount of data (millions user session), which
is a consistent empirical validation for recommendation
systems.
The group U of users of the training set must be the same
used in testing set, justifying the data splitting presented
in Table III. The testing set is larger than the training set,
since we have to use all users from training set to generate

ผลลัพธ์ (ไทย) 1:

มิติ ในสุด เรารับ N คล้ายรายการของรายการนี้เพื่อสร้างกลุ่ม R สินค้าแนะนำหลังจากที่ ชุดทดสอบของเราประกอบด้วย โดยมุมมองในอนาคตของกลุ่มผู้ใช้เดียวกันนี้ จะใช้ในการตรวจสอบการความถูกต้องของวิธีการของเรา การเปรียบเทียบกลุ่มนี้ด้วยการสินค้าแนะนำ rการเปรียบเทียบนี้จะทำโดยใช้การวัดที่หลากหลาย และในส่วนถัดไป เรานำเสนอผลการใช้บางส่วนของพวกเขาการวัดสัมผัสในส่วน VI C มีการเปลี่ยนแปลงมาตรฐานที่มีความแม่นยำ ลดกำไรสะสม หรือnDCG [12], และยศคะแนน [11] (มันขยายการเรียกคืนวัดการตำแหน่งของสินค้าที่ถูกต้องในรายการอันดับเข้าบัญชี)เราใช้รูปแบบของความเป็นดังนี้: ในกรณีดูวิดีโอจากการทดสอบชุดของผู้ใช้ที่อยู่ในการแนะนำสินค้าชุด R ค่าความแม่นยำได้ 100%มิฉะนั้น ผลลัพธ์เป็น 0% ทำการเปลี่ยนแปลงนี้เพราะฐานข้อมูลของเรามีมุมมองทั้งหมดวิดีโอจากแพลตฟอร์ม Sambatechแต่ไม่มีแสดงรายการแนะนำของเราให้ผู้ใช้แน่นอนดังนั้น เราต้องสรุปถ้าผู้ใช้ดู หรือไม่วัตถุที่จะแนะนำได้โดยใช้เทคนิคของเรา ซึ่งทำโดยการเปรียบเทียบ ผู้ใช้ดูวิดีโอและที่แนะนำรายการตั้งค่า อย่างไรก็ตาม ความแม่นยำของ 0% ไม่หมายความ ว่าเทคนิคการล้ม เมื่อวัตถุไม่เสนอไปผู้ใช้ เป็นเพียงใช้ค่านี้เพื่อแยกแยะผลนอกจากนี้ ในสถานการณ์ออนไลน์วิดีโอ ชมเพียงหนึ่งวิดีโอจากกลุ่มเล็ก ๆ ของรายการแนะนำได้ถือว่าประสบความสำเร็จ ในคำอื่น ๆ ผู้มีดูรายการการตรวจสอบความสำเร็จของการแนะนำทั้งหมดเทคนิคตัวอย่างของกรณีนี้ความแม่นยำเป็น Youtube: หลังจากจบวิดีโอ มีจำนวนมากของวิดีโอแนะนำ ในกรณีหนึ่งตี มันอาจจะได้ข้อสรุปว่า คำแนะนำประสบความสำเร็จC. ผลเนื่องจากฐานข้อมูลขนาดใหญ่ของเรา เราต้องแยกแรกการฝึกอบรม และทดสอบชุด ซึ่งทำตามแสดงในตาราง IIIฝึกอบรมชุดทดสอบ07/01/2012 07/02/2012 ที่ 07 กรกฎาคม 2555ตาราง IIIแยกชุดข้อมูลเราต้องเน้นว่า เลือกผลหนึ่งสัปดาห์เพราะมันเป็นส่วนตัว หรือฐานข้อมูลของเรา และมันครอบคลุมข้อมูลจำนวนมาก (ล้านเซสชันผู้ใช้), ที่เป็นการตรวจสอบเชิงประจักษ์สอดคล้องคำแนะระบบกลุ่ม U ผู้ใช้ชุดการฝึกอบรมต้องเหมือนกันใช้ในการทดสอบชุด justifying แบ่งข้อมูลที่นำเสนอในตาราง III ชุดทดสอบมีขนาดใหญ่กว่าชุดฝึกเพราะเราต้องใช้ทั้งหมดจากการฝึกอบรมที่สร้าง

ผลลัพธ์ (ไทย) 2:

ขนาด
ในท้ายที่สุดเรารับยังไม่มีข้อความที่คล้ายกันมากที่สุดในรายการของรายการนี้เพื่อสร้างกลุ่มวิจัยของรายการแนะนำ. หลังจากนั้นชุดทดสอบของเราประกอบด้วยมุมมองในอนาคตของกลุ่มผู้ใช้เดียวกันนี้ว่ามันจะถูกนำมาใช้ในการตรวจสอบความถูกต้องของวิธีการของเราเมื่อเปรียบเทียบกับกลุ่มนี้มีรายการแนะนำอาร์การเปรียบเทียบนี้จะทำโดยใช้ตัวชี้วัดที่มีความหลากหลายและในส่วนถัดไปเราจะนำเสนอผลของบางคน. ตัวชี้วัดที่สัมผัสในส่วนที่ VI-C ที่มีรูปแบบของความแม่นยำที่ปกติกำไรสะสมลดหรือnDCG [12] และอันดับ-คะแนน [11] (จะขยายการเรียกคืนตัวชี้วัดที่จะใช้ตำแหน่งของรายการที่ถูกต้องในรายชื่อการจัดอันดับเข้าบัญชี). เรามีการใช้รูปแบบของความแม่นยำดังต่อไปนี้ : ในกรณีที่วิดีโอดูจากชุดทดสอบของผู้ใช้ที่อยู่ในรายการแนะนำการตั้งค่าR ค่าความแม่นยำ 100%, อื่น ๆ ผลที่ได้คือ 0% การเปลี่ยนแปลงนี้เกิดขึ้นเพราะฐานข้อมูลของเรามีทุกครั้งวิดีโอจาก Sambatech แพลตฟอร์ม แต่รายการข้อเสนอแนะของเราไม่ได้แสดงให้เห็นให้กับผู้ใช้จริง. ดังนั้นเราจะต้องสรุปหากผู้ใช้ดูหรือไม่วัตถุที่จะแนะนำการใช้เทคนิคของเราที่ทำโดยการเปรียบเทียบผู้ใช้ดูวิดีโอและแนะนำรายการที่ตั้ง อย่างไรก็ตามความแม่นยำของการ 0% ไม่ได้หมายความว่าเทคนิคที่ล้มเหลวเมื่อวัตถุที่ไม่ได้นำเสนอให้กับผู้ใช้ก็จะใช้ค่านี้ในการแยกแยะผล. นอกจากนี้ในสถานการณ์วิดีโอออนไลน์, ดูเพียงหนึ่งวิดีโอจากขนาดเล็กกลุ่มของรายการแนะนำสามารถถือว่าเป็นความสำเร็จ ในคำอื่น ๆ ที่ผู้ใช้ไม่ได้ที่จะดูรายการทั้งหมดแนะนำในการตรวจสอบความสำเร็จของเทคนิค. ตัวอย่างของกรณีที่มีความแม่นยำการนี้เป็น Youtube: หลังจากเสร็จสิ้นการวิดีโอที่มีจำนวนมากวิดีโอแนะนำ ในกรณีที่มีการตีหนึ่งก็อาจจะสรุปได้ว่าข้อเสนอแนะที่ประสบความสำเร็จ. ซี ผลเพราะฐานข้อมูลขนาดใหญ่ของเราที่เราจะต้องแยกแรกการฝึกอบรมและการทดสอบชุดซึ่งถูกสร้างขึ้นที่แสดงในตารางที่III. การฝึกอบรมการทดสอบตั้งตั้ง2012/07/01 2012/07/02 2012/07/07 ตารางที่สามชุดSPLIT เราต้องเน้นว่าผลหนึ่งสัปดาห์ได้รับเลือกเพราะมันเป็นส่วนหนึ่งที่เป็นตัวแทนหรือฐานข้อมูลของเราและมันครอบคลุมข้อมูลจำนวนมาก(เซสชันของผู้ใช้นับล้าน) ซึ่งเป็นการตรวจสอบเชิงประจักษ์ที่สอดคล้องกันสำหรับคำแนะนำระบบ. กลุ่ม U ของผู้ใช้ ชุดการฝึกอบรมจะต้องเหมือนกันใช้ในชุดทดสอบสมควรแยกข้อมูลที่นำเสนอในตารางที่สาม ชุดทดสอบมีขนาดใหญ่กว่าชุดการฝึกอบรมตั้งแต่ที่เราต้องใช้ผู้ใช้ทั้งหมดจากชุดการฝึกอบรมในการสร้าง