User-based collaborative filtering

User-based collaborative filtering predicts a test user’s interest
in a test item based on rating information from similar
user profiles [1, 5, 14]. As illustrated in Fig. 1(b), each user
profile (row vector) is sorted by its dis-similarity towards the
test user’s profile. Ratings by more similar users contribute
more to predicting the test item rating. The set of similar
users can be identified by employing a threshold or selecting
top-N. In the top-N case, a set of top-N similar users
Su(uk) towards user k can be generated according to:
Su(uk) = {ua|rank su(uk, ua) ≤ N, xa,m 6= ∅} (1)
where |Su(uk)| = N. su(uk, ua) is the similarity between
users k and a. Cosine similarity and Pearson’s correlation
are popular similarity measures in collaborative filtering, see
e.g. [1, 5]. The similarity could also be learnt from training
data [9]. This paper adopts the cosine similarity measure,
comparing two user profiles by the cosine of the angle between
the corresponding row vectors.
Consequently, the predicted rating xbk,m of test item m by
test user k is computed as (see also [1, 5])
xbk,m = uk +
X
ua∈Su(uk)
su(uk, ua)(xa,m − ua)
X
ua∈Su(uk)
su(uk, ua)
(2)
where uk and ua denote the average rating made by users k
and a, respectively.
Existing methods differ in their treatment of unknown
ratings from similar users (xa,m = ∅). Missing ratings can
be replaced by a 0 score, which lowers the prediction, or the
average rating of that similar user could be used [1, 5]. Alternatively,
[19] replaces missing ratings by an interpolation
of the user’s average rating and the average rating of his or
her cluster.
Before we discuss its dual method, notice in Eq. 2 and the
illustration in Fig. 1(b) how user-based collaborative filtering
takes only a small proportion of the user-item matrix
into consideration for recommendation. Only the known
test item ratings by similar users are used. We refer to
these ratings as the set of ‘similar user ratings’ (the blocks

ผลลัพธ์ (ไทย) 1:

ผู้ใช้ที่ใช้กรองร่วมกันทำนายทดสอบผู้สนใจในการทดสอบสินค้าตามข้อมูลการจัดอันดับจากคล้ายกันโพรไฟล์ผู้ใช้ [1, 5, 14] ดังที่แสดงใน Fig. 1(b) ผู้โปรไฟล์ (เวกเตอร์แถว) จะเรียงลำดับตามความ dis-similarity ต่อทดสอบโพรไฟล์ของผู้ใช้ มีส่วนร่วมการจัดอันดับ โดยผู้ใช้ที่คล้ายกันมากการคาดการณ์การทดสอบรายการประเมินเพิ่มเติม ชุดของที่คล้ายกันผู้ใช้สามารถระบุขีดจำกัดการใช้ หรือเลือกN. ด้านบน ในกรณี N ด้านบน ชุด N ด้านบนคล้ายผู้Su(uk) ต่อ k ผู้ใช้สามารถสร้างได้ตาม:Su(uk) = { ua|rank su (สหราชอาณาจักร ua) ≤ N, xa, m 6 =∅} (1)ที่ |Su (สหราชอาณาจักร) | = Su ตอนเหนือ (สหราชอาณาจักร ua) มีความคล้ายกันระหว่างผู้ใช้ k และอ.คล้ายโคไซน์และสหสัมพันธ์ของเพียร์สันมีคล้ายนิยมมาตรการในการกรอง เห็นร่วมกันเช่น [1, 5] ความคล้ายกันอาจยังเรียนรู้จากการฝึกอบรมข้อมูล [9] กระดาษนี้ adopts โคไซน์คล้ายวัดเปรียบเทียบโพรไฟล์ผู้ใช้ที่สอง ด้วยโคไซน์ของมุมระหว่างเวกเตอร์แถวที่ตรงกันดังนั้น การประเมินคาดการณ์ xbk, m m สินค้าทดสอบโดยทดสอบผู้ใช้ k ที่คำนวณเป็น (ดู [1, 5])xbk, m = uk +Xua∈Su(uk)su (uk, ua) (xa, m − ua)Xua∈Su(uk)su (uk, ua)(2)ที่สหราชอาณาจักรและ ua แสดงคะแนนเฉลี่ยที่ทำ โดยผู้ใช้ kและ ตามลำดับวิธีการที่มีอยู่แตกต่างกันในการรักษาไม่ทราบจัดอันดับจากผู้ใช้ที่คล้ายกัน (xa, m =∅) สามารถจัดอันดับหายไปถูกแทนที่ ด้วยคะแนน 0 ซึ่งช่วยลดการคาดเดา หรือสามารถใช้คะแนนเฉลี่ยของผู้ใช้ที่คล้ายกัน [1, 5] หรือขาดการจัดอันดับ โดยการสอดแทรกแทน [19]คะแนนเฉลี่ยของผู้ใช้และคะแนนเฉลี่ยของเขา หรือคลัสเตอร์ของเธอก่อนเจรจาของสองวิธี สังเกต Eq. 2 และภาพประกอบใน Fig. 1(b) วิธีผู้ใช้กรองร่วมกันใช้เวลาเพียงสัดส่วนเล็กของเมทริกซ์ผู้ใช้สินค้าในการพิจารณาสำหรับคำแนะนำ เท่ารู้จักจัดอันดับสินค้าทดสอบ โดยผู้ใช้ที่คล้ายกันจะใช้ เราอ้างอิงถึงจัดอันดับเหล่านี้เป็นชุดของ 'คล้ายผู้จัดอันดับ' (บล็อก

ผลลัพธ์ (ไทย) 3:

ผู้ใช้ที่ใช้ร่วมกันของผู้ใช้ทดสอบกรองคาดการณ์ดอกเบี้ย
ในรายการทดสอบจากข้อมูลการประเมินจากที่คล้ายกัน
โปรไฟล์ผู้ใช้ [ 1 , 5 , 14 ) ตามที่แสดงในรูปที่ 1 ( ข ) แต่ละผู้ใช้
โปรไฟล์ ( แถวเวกเตอร์ ) คือเรียงของ DIS ความเหมือนต่อโปรไฟล์
ทดสอบผู้ใช้ การจัดอันดับโดยผู้ใช้ที่คล้ายกันมากขึ้นมีส่วนร่วม
มากขึ้นเพื่อทำนายคะแนนการทดสอบรายการ ชุดคล้ายกัน
ผู้ใช้สามารถระบุได้โดยการใช้เกณฑ์หรือเลือก
top-n. ใน top-n กรณีชุด top-n คล้ายกันผู้ใช้
ซู ( UK ) ต่อผู้ใช้สามารถสร้างขึ้นตาม K :
ซู ( UK ) = { มาก | อันดับซู ( UK มาก ) ≤ N XA , M = ∅ } ( 6 1 )
ที่ | ซู ( UK ) | = เอ็นซู ( UK มาก ) คือความคล้ายคลึงระหว่าง
ผู้ใช้ K . โคไซน์ความเหมือนและค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน
เป็นที่นิยมความเหมือนมาตรการร่วมกันทั้งสิ้นเห็น
เช่น [ 1 , 3 ] ความเหมือนกันอาจจะได้เรียนรู้จากการฝึกอบรม
ข้อมูล [ 9 ] กระดาษนี้ adopts โคไซน์คล้ายคลึง วัด
เปรียบเทียบสองโปรไฟล์ผู้ใช้โดยโคไซน์ของมุมระหว่างเวกเตอร์แถว

จึงสอดคล้องกัน คาดการณ์อัตรา xbk M ของข้อสอบโดย
K ผู้ใช้ทดสอบจะคำนวณเป็น ( เห็น [ 1 , 2 ] )
xbk , M =
x สหราชอาณาจักร
มาก∈ซู ( UK )
ซู ( UK มาก ) ( XA , m −มาก )
x
มาก∈ซูซู ( สหราชอาณาจักร ( UK )
,
มาก )( 2 )
ที่ UK และมากแสดงคะแนนโดยเฉลี่ยผู้ใช้ k

และ ตามลำดับ วิธีการเดิมที่แตกต่างกันในการรักษาของพวกเขาที่ไม่รู้จัก
คะแนนจากผู้ใช้ที่คล้ายกัน ( XA , M = ∅ ) การจัดอันดับได้
หายไปถูกแทนด้วย 0 คะแนน ซึ่งต่ำกว่าการคาดการณ์ หรือการจัดอันดับที่คล้ายกัน
เฉลี่ยผู้ใช้สามารถใช้ [ 1 , 3 ] หรือ
[ 19 ] แทนที่เรตติ้งโดยการสอดแทรก
ที่หายไปของผู้ใช้เฉลี่ยคะแนนและคะแนนเฉลี่ยของเขาหรือ

กลุ่มของเธอ ก่อนที่เราจะหารือเกี่ยวกับวิธีการของคู่ สังเกตเห็นในอีคิว 2
ภาพประกอบในรูปที่ 1 ( ข ) วิธีที่ผู้ใช้ร่วมกันกรอง
ใช้เวลาเพียงสัดส่วนขนาดเล็กของรายการผู้ใช้เมทริกซ์
พิจารณาสำหรับคำแนะนำตาม เพียงรู้จัก
ข้อสอบการจัดอันดับโดยผู้ใช้ที่คล้ายกันใช้ เราดู

การจัดอันดับเหล่านี้เป็นชุดของ ' คล้าย ' ( บล็อกผู้ใช้จำกัด