all of their preferences are satisfi

all of their preferences are satisfied, a conjunctive function like the minimum should
be used. On the other hand, if some of the preferences are unlikely to be satisfied
simultaneously, e.g. the user is interested in drama and horror films, an averaging
or disjunctive function might be more reliable. We present many examples of these
broad classes of aggregation functions in Section 22.3.
In situations where it is practical to calculate item-item similarity, content-based
filtering could also be facilitated using methods that mirror those in collaborative
filtering [2]. In this case, a user profile might consist of all or a subset of previously
rated/purchased items, D = {d1, ..., dq}, and a measure of similarity is calculated
between the unseen item di and those in D,

ผลลัพธ์ (ไทย) 1:

กำหนดลักษณะของพวกเขาเป็น satisfied ฟังก์ชัน conjunctive เช่นต่ำควรสามารถใช้ ในทางกลับกัน ถ้าบางลักษณะไม่น่าจะเป็น satisfiedพร้อมกัน เช่นผู้สนใจ films ละครและสยองขวัญ การหาค่าเฉลี่ยหรือฟังก์ disjunctive อาจเชื่อถือได้มาก เรานำเสนอตัวอย่างมากของเหล่านี้ห้องเรียนกว้างรวมฟังก์ชันในส่วน 22.3ในสถานการณ์ที่เป็นทางปฏิบัติในการคำนวณรายการสินค้าคล้าย ตามเนื้อหาfiltering สามารถยังสามารถอำนวยความสะดวกโดยใช้วิธีการที่เหมือนกันในความร่วมมือfiltering [2] ในกรณีนี้ profile ผู้ใช้อาจประกอบด้วยทั้งหมด หรือส่วนย่อยของก่อนหน้านี้คะแนน/ซื้อสินค้า D = {ง 1,..., dq }, และคำนวณการวัดความคล้ายคลึงกันระหว่างดีสินค้า unseen และใน D

ผลลัพธ์ (ไทย) 2:

ทั้งหมดของการตั้งค่าของพวกเขาเอ็ด Fi satis, ฟังก์ชั่นที่เชื่อมต่อเช่นขั้นต่ำที่ควร
จะนำมาใช้ ในทางตรงกันข้ามถ้าบางส่วนของการตั้งค่าไม่น่าจะเป็นเอ็ด Fi satis
พร้อม ๆ กันเช่นผู้ที่มีความสนใจในละครและ LMS ไฟสยองขวัญเฉลี่ย
หรือลักษณะที่แยกออกฟังก์ชั่นอาจจะน่าเชื่อถือมากขึ้น เรานำเสนอตัวอย่างมากมายของเหล่านี้
เรียนในวงกว้างของฟังก์ชั่นการรวมไว้ในมาตรา 22.3.
ในสถานการณ์ที่เป็นจริงในการคำนวณความคล้ายคลึงกันรายการรายการเนื้อหาตาม
ltering ไฟอาจจะมีการอำนวยความสะดวกในการใช้วิธีการที่สะท้อนผู้ที่อยู่ในการทำงานร่วมกัน
ltering ไฟ [2] ในกรณีนี้ผู้ใช้โปรไฟ le อาจประกอบด้วยทั้งหมดหรือส่วนหนึ่งของก่อนหน้านี้
จัดอันดับ / สินค้าที่ซื้อ, D = {d1 ... , DQ} และตัวชี้วัดของความคล้ายคลึงกันมีการคำนวณ
ระหว่างดิรายการที่มองไม่เห็นและผู้ที่อยู่ใน D,

ผลลัพธ์ (ไทย) 3:

ทั้งหมดของการตั้งค่าของพวกเขาพอจึงเอ็ด ฟังก์ชันที่เชื่อมต่อกันเหมือนขั้นต่ำควร
ใช้ . ในทางกลับกัน ถ้าบางส่วนของการตั้งค่าไม่น่าจะพอจึงเอ็ด
พร้อมกัน เช่น ผู้ใช้ที่สนใจในละครและหนังสยองขวัญจึง LMS , เฉลี่ย
หรือฟังก์ชันดิซจังอาจจะเชื่อถือได้มากขึ้น เรานำเสนอหลายตัวอย่างของเหล่านี้ประเภทของการรวมฟังก์ชัน
กว้างในส่วน 22.3 .
ในสถานการณ์ที่เป็นจริงในการคำนวณความคล้าย รายการ เนื้อหา
จึง ltering สามารถติดตั้งโดยใช้วิธีที่กระจกเหล่านั้นร่วมกัน
จึง ltering [ 2 ] ในกรณีนี้ผู้ใช้ Pro จึงเลออาจประกอบด้วยทั้งหมดหรือส่วนย่อยของก่อนหน้านี้
คะแนน / รายการซื้อ , D = { D1 , . . . , DQ } และการวัดความคล้ายคลึงระหว่างคำนวณ
unseen รายการ ดิ และผู้ที่อยู่ใน D ,