User–user collaborative filtering,

User–user collaborative filtering, also known as k-NN collaborative filtering,
was the first of the automated CF methods. It was first introduced
in the GroupLens Usenet article recommender [119]. The Ringo
music recommender [137] and the BellCore video recommender [62] also
used user-user CF or variants thereof.
User–user CF is a straightforward algorithmic interpretation of the
core premise of collaborative filtering: find other users whose past rating
behavior is similar to that of the current user and use their ratings
on other items to predict what the current user will like. To predict
Mary’s preference for an item she has not rated, user–user CF looks
for other users who have high agreement with Mary on the items they
have both rated. These users’ ratings for the item in question are then
weighted by their level of agreement with Mary’s ratings to predict
Mary’s preference.
Besides the rating matrix R, a user–user CF system requires a similarity
function s:U×U → R computing the similarity between two users
and a method for using similarities and ratings to generate predictions.

ผลลัพธ์ (ไทย) 1:

ผู้ใช้ – ผู้ใช้ร่วมกันกรอง หรือที่เรียกว่าเคเอ็นเอ็นร่วมกันกรองเป็นครั้งแรกของวิธีการ CF อัตโนมัติ มันถูกนำมาใช้ครั้งแรกใน GroupLens Usenet บทผู้แนะนำ [119] ริงโกผู้แนะนำเพลง [137] และการ BellCore วิดีโอผู้แนะนำ [62] ยังผู้ใช้ CF หรือตัวแปรดังกล่าวผู้ใช้ – ผู้ใช้ CF เป็นการตีความอัลกอริทึมที่ตรงไปตรงมาของการสถานที่ตั้งหลักของกรองร่วมกัน: ค้นหาผู้ใช้อื่น ๆ ที่มีคะแนนผ่านลักษณะการทำงานคล้ายกับที่ของผู้ใช้ปัจจุบัน และใช้การจัดอันดับในรายการอื่น ๆ ทำนายสิ่งที่ผู้ใช้ปัจจุบันจะต้อง การคาดการณ์ชอบแมรี่สำหรับสินค้าเธอไม่ได้ CF – ผู้ดูสำหรับผู้ใช้อื่นที่มีข้อตกลงสูงกับแมรี่ในสินค้าที่พวกเขามีทั้งคะแนน จัดอันดับของผู้ใช้เหล่านี้สำหรับสินค้าต้องมีแล้วถ่วงน้ำหนักตามระดับของสัญญากับแมรี่อันดับทำนายการกำหนดลักษณะของ Maryนอกจากจัดอันดับเมตริกซ์ R, CF ผู้ใช้ – ผู้ใช้ระบบต้องมีความคล้ายคลึงกันฟังก์ชัน s:U × U → R คำนวณความคล้ายคลึงกันระหว่างผู้ใช้สองคนและวิธีการใช้คล้ายคลึงกันและจัดอันดับเพื่อสร้างการคาดการณ์

ผลลัพธ์ (ไทย) 2:

ใช้กรองผู้ใช้ร่วมกันหรือที่เรียกว่า K-NN กรองการทำงานร่วมกัน
เป็นครั้งแรกของวิธีการ CF อัตโนมัติ มันเป็นครั้งแรก
ใน recommender บทความ GroupLens Usenet [119] ริงโก้ส์
recommender เพลง [137] และ recommender วิดีโอ Bellcore [62] นอกจากนี้ยัง
ใช้ CF ใช้งานของผู้ใช้หรือสายพันธุ์ดังกล่าว.
CF ใช้งานของผู้ใช้คือการตีความอัลกอริทึมตรงไปตรงมาของ
สถานที่ตั้งหลักของการกรองการทำงานร่วมกัน: ค้นหาผู้ใช้อื่น ๆ ที่มีคะแนนที่ผ่านมา
พฤติกรรม คล้ายกับว่าผู้ใช้ปัจจุบันและใช้คะแนนของพวกเขา
ในรายการอื่น ๆ ที่จะคาดการณ์สิ่งที่ผู้ใช้ปัจจุบันจะชอบ ในการทำนาย
การตั้งค่าของแมรี่สำหรับรายการที่เธอยังไม่ได้รับการจัดอันดับที่ CF ใช้งานของผู้ใช้ดู
สำหรับผู้ใช้คนอื่น ๆ ที่มีข้อตกลงกับแมรี่สูงในรายการที่พวกเขา
มีทั้งจัดอันดับ การให้คะแนนของผู้ใช้เหล่านี้ "สำหรับรายการในคำถามจะแล้ว
ถ่วงน้ำหนักตามระดับของการทำข้อตกลงกับการจัดอันดับของแมรี่ที่จะคาดการณ์
การตั้งค่าของแมรี่.
นอกจากการให้คะแนนเมทริกซ์ R, ระบบ CF ใช้งานผู้ใช้ต้องมีความคล้ายคลึงกัน
ฟังก์ชั่น S: U × U → R คอมพิวเตอร์ ความคล้ายคลึงกันระหว่างสองผู้ใช้
และวิธีการใช้คล้ายคลึงกันและการให้คะแนนในการสร้างการคาดการณ์

ผลลัพธ์ (ไทย) 3:

ผู้ใช้ - ผู้ใช้ร่วมกันกรองที่เรียกว่า k-nn ร่วมกันทั้งสิ้นเป็นครั้งแรกของอัตโนมัติโฆษณาวิธีการ มันเป็นครั้งแรกใน grouplens Usenet บทความแนะนำ [ 119 ] ริงโก้เพลงแนะนำ [ 137 ] และ [ 62 ] เบลล์คอร์วิดีโอแนะนำยังผู้ใช้ที่ใช้ CF หรือตัวแปรนั้นโฆษณาของผู้ใช้ผู้ใช้จะตีความและตรงไปตรงมาของขั้นตอนวิธีสถานที่ตั้งของแกนร่วมกันการกรอง : หาผู้ใช้อื่น ๆที่มีอดีตอันดับพฤติกรรมจะคล้ายกับที่ของผู้ใช้ปัจจุบันและใช้ในการจัดอันดับในรายการอื่น ๆที่จะคาดเดาได้ว่าผู้ใช้ปัจจุบันจะชอบ ทำนายการตั้งค่าของแมรี่สำหรับรายการที่เธอไม่ได้คะแนนผู้ใช้และผู้ใช้ดูโฆษณาสำหรับผู้ใช้อื่น ๆที่มีข้อตกลงกับแมรี่ในรายการพวกเขามีทั้งการจัดอันดับ การจัดอันดับของผู้ใช้เหล่านี้สำหรับรายการในคำถามคือแล้วถ่วงน้ำหนัก โดยระดับของข้อตกลงกับแมรี่จัดอันดับทำนายการตั้งค่าของแมรี่นอกจากนี้การประเมินเมทริกซ์ r , ผู้ใช้และผู้ใช้ระบบจะต้องเหมือนโฆษณาฟังก์ชัน S : u r × u → keyboard - key - name ความเหมือนระหว่างสองผู้ใช้คอมพิวเตอร์และวิธีการสำหรับการจัดอันดับความเหมือนและสร้างการคาดการณ์ .