While the similarity-based heuristi

While the similarity-based heuristic approaches described earlier apply to only
neighborhood-based collaborative filtering recommendation techniques, the aggre-
gation function approach can be used in combination with any traditional recom-
mendation technique, because individual criteria ratings are used for the prediction
in the first step. As one example of possible aggregation functions, Adomavicius and
Kwon [2] use linear regression and estimate coefficients (i.e., importance weights
of each individual criterion) based on the known ratings.
Adomavicius and Kwon [2] also note that the aggregation function can have dif-
ferent scopes: total (i.e., when a single aggregation function is learned based on theentire dataset), user-based or item-based (i.e., when a separate aggregation function
is learned for each user or item).
Empirical analysis using data from Yahoo! Movies shows that the aggregation
function approach (using multi-criteria rating information) outperforms a traditional
single-rating collaborative filtering technique (using only overall ratings) by 0.3-
6.3% in terms of precision-in-top-N (N = 3, 5, and 7) metric [2].
Probabilistic modeling approach. Some multi-criteria recommendation approaches
adopt probabilistic modeling algorithms that are becoming increasingly popular in
data mining and machine learning. One example is the work of Sahoo et al. [79],
which extends the flexible mixture model (FMM) developed by Si and Jin [86] to
multi-criteria rating recommenders. The FMM assumes that there are two latent
variables Zu and Zi (for users and items), and they are used to determine a single
rating r of user u on item i, as shown in Fig. 24.2a. Sahoo et al. [79] also discover
the dependency structure among the overall ratings (r0) and multi-criteria ratings
(r1, r2, r3, and r4), using Chow-Liu tree structure discovery [16], and incorporate the
structure into the FMM, as shown in Fig. 24.2b.

ผลลัพธ์ (ไทย) 1:

ในขณะความคล้ายคลึงกันตามแล้ววิธีอธิบายไว้ก่อนหน้านี้ กับเท่านั้นตามย่าน filtering ร่วมแนะนำเทคนิค aggre-วิธี gation ฟังก์ชันที่สามารถใช้ร่วมกับใด ๆ ดั้งเดิม recom-เทคนิค mendation เนื่องจากการจัดอันดับแต่ละเงื่อนไขจะใช้สำหรับคำทำนายในขั้นตอน first เป็นตัวอย่างหนึ่งของฟังก์ชันการรวมที่เป็นไปได้ Adomavicius และKwon [2] ใช้เส้นถดถอยและประเมิน coefficients (เช่น ความสำคัญน้ำหนักของแต่ละเกณฑ์ละ) ตามการจัดอันดับชื่อดังAdomavicius และ Kwon [2] โปรดสังเกตว่า ฟังก์ชันการรวมจะมี dif-ขอบ ferent: รวม (เช่น เมื่อฟังก์ชันรวมเดี่ยวเป็นการเรียนรู้ตามชุดข้อมูลแจก), ตามผู้ใช้ หรือ ตามสินค้า (เช่น เมื่อฟังก์ชันรวมแยกต่างหากจะเรียนรู้สำหรับผู้ใช้แต่ละรายหรือแต่ละรายการ)วิเคราะห์ผลโดยใช้ข้อมูลจาก yahoo!ภาพยนตร์แสดงให้เห็นว่าการรวมฟังก์ชันวิธี (โดยใช้ข้อมูลการจัดอันดับหลายเงื่อนไข) outperforms แบบดั้งเดิมfiltering ร่วมกันจัดอันดับเดียวเทคนิค (ใช้การจัดอันดับโดยรวมเท่านั้น) โดย 0.3-6.3% ในแง่ของความแม่นยำในบน-N (N = 3, 5 และ 7) วัด [2]วิธีการสร้างโมเดล probabilistic บางคำแนะนำเงื่อนไขหลายวิธีอัลกอริทึม probabilistic โมเดลที่จะกลายเป็นที่นิยมมากขึ้นในการนำมาใช้การทำเหมืองข้อมูลและเรียนรู้ของเครื่อง ตัวอย่างหนึ่งคือ การทำงานของ Sahoo et al. [79],ซึ่งขยาย flexible ผสมแบบ (FMM) พัฒนาไป โดยศรีและจิ [86]recommenders จัดอันดับหลายเงื่อนไข FMM สมมติว่า มีสองแฝงอยู่ตัวแปร Zu และซิ (สำหรับผู้ใช้และสินค้า), และพวกเขาจะใช้เพื่อกำหนดเดียวr การจัดอันดับของยูผู้ใช้สินค้า i ดังที่แสดงใน Fig. 24.2a นอกจากนี้ยังพบ Sahoo et al. [79]อ้างอิงโครงสร้างการจัดอันดับโดยรวม (r0) และจัดอันดับหลายเงื่อนไข(r1, r2, r3, r4 และ), ใช้การค้นพบโครงสร้างต้นไม้ชาวหลิว [16], และรวมการโครงสร้างเป็น FMM มาก Fig. 24.2b

ผลลัพธ์ (ไทย) 2:

ในขณะที่วิธีการแก้ปัญหาที่คล้ายคลึงกันตามที่อธิบายไว้ก่อนหน้านี้นำไปใช้กับเฉพาะ
พื้นที่ใกล้เคียงตามคำแนะนำเทคนิค ltering ไฟร่วมมือ aggre-
วิธี gation ฟังก์ชั่นที่สามารถใช้ร่วมกับแบบดั้งเดิมแนะใด ๆ
เทคนิค mendation เพราะการจัดอันดับตามเกณฑ์ของแต่ละบุคคลจะใช้สำหรับการคาดการณ์
ใน ไฟขั้นตอนแรก ในฐานะที่เป็นหนึ่งในตัวอย่างของฟังก์ชั่นการรวมตัวเป็นไปได้ Adomavicius และ
ควอน [2] ใช้การถดถอยเชิงเส้นและประมาณการ cients ไฟ COEF (เช่นน้ำหนักความสำคัญ
ของแต่ละเกณฑ์ของแต่ละบุคคล) จากการให้คะแนนที่รู้จักกัน.
Adomavicius และควอน [2] นอกจากนี้ยังทราบว่าฟังก์ชั่นการรวมตัวสามารถมี ต่างกัน
ที่แตกขอบเขต: รวม (กล่าวคือเมื่อมีการรวมฟังก์ชั่นเดียวจะได้เรียนรู้บนพื้นฐานของชุดข้อมูลทุกขั้นตอน) ผู้ใช้หรือรายการตาม (กล่าวคือเมื่อมีการรวมฟังก์ชั่นที่แยกต่างหาก
จะเรียนรู้สำหรับผู้ใช้แต่ละคนหรือรายการ).
การวิเคราะห์โดยใช้ข้อมูลเชิงประจักษ์ จากภาพยนตร์ Yahoo! แสดงให้เห็นว่าการรวม
วิธีการฟังก์ชั่น (โดยใช้เกณฑ์หลายข้อมูลคะแนน) มีประสิทธิภาพดีกว่าแบบดั้งเดิม
คะแนนเดียวเทคนิค ltering สายร่วมกัน (โดยใช้การจัดอันดับโดยรวมเท่านั้น) โดย 0.3-
6.3% ในแง่ของความแม่นยำในด้านบน-N (ยังไม่มี = 3, 5 และ 7) ตัวชี้วัด [2].
น่าจะเป็นวิธีการสร้างแบบจำลอง บางคำแนะนำหลายหลักเกณฑ์วิธี
การสร้างแบบจำลองขั้นตอนวิธีการที่นำมาใช้น่าจะเป็นที่จะกลายเป็นที่นิยมมากขึ้นใน
การทำเหมืองข้อมูลและการเรียนรู้เครื่อง ตัวอย่างหนึ่งคือการทำงานของ Sahoo et al, [79]
ซึ่งขยายรูปแบบการยืดหยุ่นส่วนผสมชั้น (FMM) ที่พัฒนาโดยศรีและจิน [86] เพื่อ
หลายเกณฑ์ Recommenders คะแนน FMM สมมติว่ามีสองแฝง
ตัวแปร Zu และ Zi (สำหรับผู้ใช้และข้อมูลรายการ) และพวกเขาจะใช้ในการกำหนดเดียว
อาร์การจัดอันดับของผู้ใช้ยูในรายการ i, ดังแสดงในรูป 24.2a Sahoo et al, [79] นอกจากนี้ยังค้นพบ
โครงสร้างการพึ่งพาระหว่างการจัดอันดับโดยรวม (r0) และเกณฑ์การให้คะแนนหลาย
(r1, r2, R3 และ R4) โดยใช้ Chow-หลิวการค้นพบโครงสร้าง [16] และรวม
เข้าไปในโครงสร้าง FMM, ดังแสดงในรูป 24.2b

ผลลัพธ์ (ไทย) 3:

ในขณะที่ใช้วิธีการอธิบายก่อนหน้านี้ใช้ความเหมือนแบบแถวๆเท่านั้น
ร่วมกันจึง ltering เทคนิคคำแนะนำตาม aggre -
gation วิธีฟังก์ชันสามารถใช้ในการใด ๆดั้งเดิม Recom -
mendation เทคนิค เนื่องจากเกณฑ์แต่ละอันดับจะใช้ในการทำนาย
ในจึงตัดสินใจเดินทางก้าว เป็นหนึ่งในตัวอย่างของฟังก์ชันการรวมที่เป็นไปได้และ adomavicius
ควอน [ 2 ] ใช้สมการถดถอยเชิงเส้นและประมาณการ coef จึง cients ( เช่น ความสำคัญของแต่ละเกณฑ์น้ำหนัก
บุคคล ) ขึ้นอยู่กับว่าคะแนน .
adomavicius และควอน [ 2 ] นอกจากนี้ยังทราบว่า การรวมฟังก์ชั่นสามารถมีดิฟ -
ferent ขอบเขต : ทั้งหมด ( เช่นเมื่อฟังก์ชันเดียวคือ เรียนรวม ตามข้อมูลจากผู้ใช้ theentire ) หรือรายการตาม ( เช่นเมื่อมีการแยกฟังก์ชัน
เรียนรู้สำหรับผู้ใช้แต่ละคนหรือสินค้า )
การวิเคราะห์เชิงประจักษ์โดยใช้ข้อมูลจาก Yahoo ! ภาพยนตร์แสดงให้เห็นว่าฟังก์ชันการรวม
วิธีการ ( ใช้หลายเกณฑ์การประเมินสารสนเทศมีประสิทธิภาพดีกว่าแบบดั้งเดิม
เดี่ยวอันดับร่วมกันจึง ltering เทคนิค ( ใช้เฉพาะคะแนนโดยรวม ) 0.3 -
6.3% ในแง่ของ precision-in-top-n ( n = 3 , 5 และ 7 ) ระบบเมตริก
[ 2 ]วิธีการสร้างแบบจำลองความน่าจะเป็น . มีหลายเกณฑ์แนะนำแนวทางใช้ขั้นตอนวิธีแบบความน่าจะเป็นที่

กลายเป็นที่นิยมมากขึ้นในการทำเหมืองข้อมูลและการเรียนรู้เครื่อง ตัวอย่างหนึ่งคือการทำงานของ sahoo et al . [ 79 ] ,
ซึ่งขยายflแบบผสม exible ( FMM ) ที่พัฒนาโดย ศรี และ จิน [ 86 ]

หลายเกณฑ์การประเมิน recommenders . ใช้ FMM สันนิษฐานว่ามีสองแฝง
และตัวแปรไปยังจื่อ ( สำหรับผู้ใช้และรายการ ) , และพวกเขาจะใช้ในการตรวจสอบการจัดอันดับของผู้ใช้เดียว
R U ในรายการผม ดังแสดงในรูปที่ 24.2a . sahoo et al . [ 79 ] ค้นพบ
โครงสร้างการพึ่งพาระหว่างการให้คะแนนโดยรวม ( r0 ) และหลายเกณฑ์การจัดอันดับ
( R1 , R2 , R3 และ R4 ) โดยใช้โครงสร้างต้นไม้เฉาหลิวค้นพบ [ 16 ] และรวม
โครงสร้างลง FMM ดังแสดงในรูปที่ 24.2b .