Breese et al. [15] implement a Baye

Breese et al. [15] implement a Bayesian Network where each node corresponds
to each item. The states correspond to each possible vote value. In the network, each
item will have a set of parent items that are its best predictors. The conditional prob-
ability tables are represented by decision trees. The authors report better results for
this model than for several nearest-neighbors implementations over several datasets.
Hierarchical Bayesian Networks have also been used in several settings as a way
to add domain-knowledge for informationfiltering [78]. One of the issues with hier
archical Bayesian networks, however, is that it is very expensive to learn and update
the model when there are many users in it. Zhang and Koren [79] propose a variation over the standard Expectation-Maximization (EM) model in order to speed up
this process in the scenario of a content-based RS.

ผลลัพธ์ (ไทย) 1:

ทฤษฎีเครือข่ายที่แต่ละโหนตรงใช้ breese et al. [15]แต่ละรายการ อเมริกาสอดคล้องกับแต่ละค่าคะแนนที่ได้ ในเครือข่าย แต่ละสินค้าจะมีชุดของรายการหลักที่ predictors ของดี มีเงื่อนไข prob-ความสามารถในตารางจะแสดง โดยต้นไม้ตัดสินใจ ผู้เขียนรายงานผลลัพธ์ที่ดีขึ้นสำหรับนี้รุ่นกว่าสำหรับการใช้งานใกล้บ้านต่าง ๆ ผ่าน datasets หลายเครือข่ายทฤษฎีลำดับชั้นยังใช้ในการตั้งค่าต่าง ๆ เป็นแบบการเพิ่มโดเมน-ความรู้สำหรับ informationfiltering [78] ประเด็นกับ hierเครือข่ายทฤษฎี archical อย่างไรก็ตาม คือว่า มันแพงมากเพื่อเรียนรู้ และปรับปรุงรูปแบบเมื่อมีผู้ใช้หลายคนในนั้น จางและ Koren [79] เสนอความผันแปรมากกว่าแบบมาตรฐาน Maximization ความคาดหวัง (EM) เพื่อเร่งความเร็วกระบวนการนี้ในสถานการณ์ของ RS ที่ตามเนื้อหา

ผลลัพธ์ (ไทย) 2:

Breese et al, [15] ใช้คชกรรมเครือข่ายที่สอดคล้องกับแต่ละโหนด
แต่ละรายการ รัฐตรงกับค่าที่เป็นไปได้ออกเสียงลงคะแนนในแต่ละ ในเครือข่ายของแต่ละ
รายการจะมีชุดของรายการที่ผู้ปกครองที่มีการพยากรณ์ที่ดีที่สุด เงื่อนไขกำหนดปัญหาที่
ตารางความสามารถในการเป็นตัวแทนของต้นไม้ตัดสินใจ ผู้เขียนรายงานผลที่ดีกว่าสำหรับ
รุ่นนี้กว่าสำหรับการใช้งานหลายที่ใกล้ที่สุด-เพื่อนบ้านในช่วงหลายชุดข้อมูล.
เครือข่ายแบบเบย์ลำดับชั้นนอกจากนี้ยังมีการใช้ในการตั้งค่าหลายวิธี
ที่จะเพิ่มความรู้โดเมน ltering สายข้อมูล [78] หนึ่งในประเด็นที่มีที่นี่
archical เครือข่ายแบบเบย์ แต่ก็คือว่ามันแพงมากที่จะเรียนรู้และปรับปรุง
รูปแบบเมื่อมีผู้ใช้หลายคนในนั้น วอชิงตันโพสต์และโคเรน [79] เสนอรูปแบบที่ผ่านมาตรฐานความคาดหวัง-ปรับปรุงสูงสุด (EM) รูปแบบในการสั่งซื้อเพื่อเพิ่มความเร็วใน
กระบวนการนี้ในสถานการณ์ของอาร์เอสเนื้อหาตาม

ผลลัพธ์ (ไทย) 3:

บรีส et al . [ 15 ] ใช้งานเครือข่ายที่แต่ละโหนดสอดคล้อง
แต่ละรายการ รัฐสอดคล้องกับแต่ละที่สุดโหวตค่า ในเครือข่ายแต่ละ
รายการจะมีชุดของพ่อแม่รายการที่จะพยากรณ์ที่ดีที่สุดของมัน เงื่อนไขมาก -
ความสามารถตารางจะแสดงโดยการตัดสินใจของต้นไม้ รายงานเขียนผลลัพธ์ที่ดีกว่าสำหรับ
รุ่นนี้มากกว่าหลายๆ เพื่อนบ้านที่ใกล้ที่สุดซึ่งกว่าหลายข้อมูล .
เครือข่ายแบบลำดับชั้นยังถูกใช้ในการตั้งค่าหลายเป็นวิธีที่จะเพิ่มความรู้โดเมนสำหรับข้อมูล
จึง ltering [ 78 ] หนึ่งในปัญหากับที่นี่
archical คชกรรมเครือข่าย อย่างไรก็ตาม คือ ว่า มันแพงมากที่จะเรียนรู้และปรับปรุง
รูปแบบเมื่อมีผู้ใช้หลายคนในนั้นจางและราก [ 79 ] เสนอการแปรผันมีความคาดหวังแบบมาตรฐาน ( EM ) เพื่อเพิ่มความเร็วในกระบวนการนี้

เนื้อหาเป็นเรื่องของ อาร์เอส