Scalability in recommender systems

Scalability in recommender systems includes both very large problem sizes and real-time latency requirements. For instance, a
recommender system connected to a large Web site must produce each recommendation within a few tens of milliseconds while
serving hundreds or thousands of consumers simultaneously. The key performance measures are the maximum accepted latency for a
recommendation (tens to hundreds of milliseconds), the number of simultaneous recommendation requests (tens to thousands), the
number of consumers (hundreds of thousands to millions), the number of products (tens to millions), and the number of ratings per
consumer (tens to thousands). Many techniques from data mining can be adapted to the scalability problem for recommender
systems, including dimensionality reduction and parallelism, but must be modified to meet the simultaneous throughput and latency
requirements.

ผลลัพธ์ (ไทย) 1:

ขนาดในระบบผู้แนะนำมีปัญหามากขนาดและความต้องการแฝงแบบเรียลไทม์ ตัวอย่าง การผู้แนะนำระบบเชื่อมต่อกับเว็บไซต์ขนาดใหญ่ต้องทำผลิตแต่ละคำแนะนำภายในมิลลิวินาทีในขณะที่ไม่กี่สิบบริการหลายร้อยหรือหลายพันของผู้บริโภคพร้อมกัน วัดสำคัญมีเวลาแฝงสูงสุดที่ยอมรับสำหรับการคำแนะนำ (สิบถึงหลายร้อยมิลลิวินาที) จำนวนการร้องขอพร้อมคำแนะนำ (หลักสิบถึงหลักพัน), การจำนวนของผู้บริโภค (หลายร้อยหลายพันถึงหลักล้าน), หมายเลขผลิตภัณฑ์ (หลักสิบล้าน), และหมายเลขของการจัดอันดับต่อผู้บริโภค (หลักสิบถึงหลักพัน) สามารถดัดแปลงเทคนิคมากมายจากการทำเหมืองข้อมูลปัญหาภาระสำหรับผู้แนะนำระบบ รวมถึงลด dimensionality และ parallelism แต่ต้องปรับเปลี่ยนเพื่อตอบสนองสามารถประมวลผลได้พร้อมกันและเวลาแฝงความต้องการ

ผลลัพธ์ (ไทย) 3:

การทำงานในระบบแนะนำมีทั้งขนาดใหญ่มากปัญหาขนาดและความต้องการศักยภาพแบบเรียลไทม์ สำหรับอินสแตนซ์
แนะนำระบบเชื่อมต่อกับเว็บไซต์ขนาดใหญ่จะผลิตแต่ละคำแนะนำภายในไม่กี่สิบมิลลิวินาทีในขณะที่
บริการหลายร้อยหรือหลายพันของผู้บริโภคไปพร้อมกัน มาตรการสำคัญคือประสิทธิภาพสูงสุดได้รับการยอมรับศักยภาพสำหรับ
ข้อเสนอแนะ ( นับร้อยมิลลิวินาที ) , หมายเลขของการร้องขอพร้อมกันแนะนำ ( หมื่นพัน )
( หมายเลขของผู้บริโภคนับล้าน ) , หมายเลขผลิตภัณฑ์ ( หลักสิบล้าน ) และจำนวนของคะแนนต่อ
ผู้บริโภค ( นับหลายพัน ) เทคนิคมากมายจากการทำเหมืองข้อมูลสามารถดัดแปลงด้านปัญหาสำหรับระบบแนะนำ
,รวมทั้งการลด dimensionality และขนาน แต่ต้องปรับเปลี่ยนเพื่อตอบสนองความต้องการนี้ พร้อมกันและแฝง