Connor and Herlocker [21] present a

Connor and Herlocker [21] present a different approach in which, instead of
users, they cluster items. Using the Pearson Correlation similarity measure they try
out four different algorithms: average link hierarchical agglomerative [39], robust
clustering algorithm for categorical attributes (ROCK) [40], kMetis, and hMetis 3.
Although clustering did improve efficiency, all of their clustering techniques yielded
worse accuracy and coverage than the non-partitioned baseline. Finally, Li et al.[60]
and Ungar and Foster [72] present a very similar approach for using k-means clus-
tering for solving a probabilistic model interpretation of the recommender problem.

ผลลัพธ์ (ไทย) 1:

คอนเนอร์และ Herlocker [21] นำเสนอวิธีการแตกต่างกันที่ แทนผู้ใช้ พวกเขาคลัสเตอร์สินค้า ใช้วัดความคล้ายความสัมพันธ์ของเพียร์สันที่พวกเขาพยายามออกอัลกอริทึมต่าง ๆ สี่: เฉลี่ยเชื่อมโยงลำดับ agglomerative [39], แข็งแกร่งคลัสเตอร์อัลกอริทึมสำหรับแอตทริบิวต์แน่ชัด (ร็อค) [40], kMetis และ hMetis 3แม้ว่าคลัสเตอร์ไม่ได้ปรับปรุง efficiency เทคนิคของระบบคลัสเตอร์ทั้งหมดผลความถูกต้องและครอบคลุมกว่าพื้นฐานไม่ใช่การแบ่งพาร์ติชันแย่ ร้อยเอ็ด Li al. [60] ในที่สุดและนำเสนอวิธีการคล้ายการใช้ k-หมายถึง clus - Ungar และฟอสเตอร์ [72]tering การแก้ไขรุ่น probabilistic ตีความของผู้แนะนำ

ผลลัพธ์ (ไทย) 2:

คอนเนอร์และ Herlocker [21] นำเสนอแนวทางที่แตกต่างในการที่แทน
ผู้ใช้พวกเขากลุ่มรายการ การใช้มาตรการที่คล้ายคลึงกันความสัมพันธ์เพียร์สันพวกเขาพยายามที่
สี่ขั้นตอนวิธีการที่แตกต่างกัน: การเชื่อมโยงเฉลี่ยลำดับชั้น agglomerative [39] และมีประสิทธิภาพ
ขั้นตอนวิธีการจัดกลุ่มสำหรับแอตทริบิวต์เด็ดขาด (ร็อค) [40] kMetis และ hMetis 3.
แม้ว่าการจัดกลุ่มได้ปรับปรุงประสิทธิภาพในสาย EF ทั้งหมดของการจัดกลุ่มของพวกเขา เทคนิคการให้ผล
ความถูกต้องและความคุ้มครองที่เลวร้ายยิ่งกว่าพื้นฐานที่ไม่ได้แบ่งพาร์ติชัน สุดท้าย Li et al. [60]
และ Ungar และฟอสเตอร์ [72] ในปัจจุบันมีวิธีการที่คล้ายกันมากสำหรับการใช้ k-หมายความ clus-
tering สำหรับการแก้ตีความน่าจะเป็นรูปแบบของปัญหา recommender

ผลลัพธ์ (ไทย) 3:

คอนเนอร์และ herlocker ปัจจุบัน [ 21 ] เป็นวิธีที่แตกต่างกันในที่แทนของ
ผู้ใช้พวกเขา กลุ่มสินค้า โดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียรสัน คล้ายวัดพวกเขาพยายาม
4 ขั้นตอนวิธีที่แตกต่างกัน : เฉลี่ย [ 39 ] ลิงค์ลำดับชั้น agglomerative แข็งแกร่ง
การจัดกลุ่มขั้นตอนวิธีสำหรับคุณลักษณะเด็ดขาด ( หิน ) [ 40 ] kmetis และ hmetis 3
ถึงแม้ว่าการจัดกลุ่มจึงได้ปรับปรุงประสิทธิภาพ EF ,ทั้งหมดของพวกเขาสามารถให้ผลความถูกต้องและครอบคลุมเทคนิค
แย่กว่าไม่แบ่งระดับ ในที่สุด , Li et al . [ 60 ]
[ 72 ] อังเกอร์และส่งเสริมและเสนอแนวทางการใช้ k-means คล้ายกันมาก clus -
tering การแก้ปัญหาการรูปแบบการตีความของ
แนะนำปัญหา