Recommendation systems produce a ra

Recommendation systems produce a ranked list of items
on which a user might be interested, in the context of her
current choice of an item. Recommendation systems are
built for movies, books, communities, news, articles etc.
There are two main approaches to build a recommendation
system - collaborative filtering and content based [3]. Collaborative
filtering computes similarity between two users
based on their rating profile, and recommends items which
are highly rated by similar users. However, quality of collaborative
filtering suffers in case of sparse preference databases.
Content based system on the other hand does not use any
preference data and provides recommendation directly based
on similarity of items. Similarity is computed based on item
attributes using appropriate distance measures. We attempt
to hybridize collaborative filtering and content based recommendation
for circumventing the difficulties of these individual
approaches. Item similarity measure used in content
based recommendation is learned from a collaborative social
network of users.

ผลลัพธ์ (ไทย) 1:

คำแนะนำเกี่ยวกับระบบผลิตรายการรับสินค้าซึ่งผู้ใช้อาจจะสนใจ ในบริบทของเธอเลือกสินค้า ระบบแนะนำสร้างภาพยนตร์ หนังสือ ชุมชน ข่าว บทความฯลฯมีสองวิธีหลักในการสร้างจดหมายร่วมมือ - ระบบการกรอง และเนื้อหาตาม [3] ทำงานร่วมกันกรองคำนวณความคล้ายคลึงกันระหว่างผู้ใช้สองคนขึ้นอยู่กับโปรไฟล์การจัดอันดับของพวกเขา และแนะนำสินค้าที่สูงจะจัดอันดับ โดยผู้ใช้ที่คล้ายกัน อย่างไรก็ตาม คุณภาพของการทำงานร่วมกันกรอง suffers กรณีบ่อชอบฐานข้อมูลตามระบบเนื้อหาคงไม่ใช้กำหนดลักษณะข้อมูล และให้คำแนะนำที่ตรงตามในความคล้ายคลึงกันของสินค้า คล้ายที่คำนวณขึ้นตามสินค้าแอตทริบิวต์ที่ใช้ที่เหมาะสมห่างจากวัด เราพยายามการคือกรองร่วมกันและเนื้อหาตามคำแนะนำสำหรับ circumventing ปัญหาของบุคคลเหล่านี้แนวทางการ วัดความคล้ายคลึงกันของสินค้าที่ใช้ในเนื้อหาตามคำแนะนำจะได้เรียนรู้จากสังคมร่วมกันเครือข่ายของผู้ใช้

ผลลัพธ์ (ไทย) 2:

ระบบคำแนะนำการผลิตรายการการจัดอันดับของรายการ
ที่ผู้ใช้อาจจะสนใจในบริบทของเธอ
เลือกปัจจุบันของรายการ ระบบคำแนะนำจะถูก
สร้างขึ้นสำหรับภาพยนตร์, หนังสือ, ชุมชน, ข่าวบทความ ฯลฯ
มีสองวิธีหลักในการสร้างข้อเสนอแนะที่เป็น
ระบบ - การกรองร่วมกันและเนื้อหาตาม [3] ความร่วมมือ
การกรองคำนวณความคล้ายคลึงกันระหว่างสองผู้ใช้
ขึ้นอยู่กับรายละเอียดการจัดอันดับของพวกเขาและแนะนำรายการที่
ได้รับการประเมินอย่างสูงจากผู้ใช้ที่คล้ายกัน แต่คุณภาพของการทำงานร่วมกัน
กรองทนทุกข์ทรมานในกรณีของฐานข้อมูลการตั้งค่าเบาบาง.
ตามระบบเนื้อหาบนมืออื่น ๆ ที่ไม่ได้ใช้ใด ๆ
ข้อมูลการตั้งค่าและให้คำแนะนำโดยตรง
เกี่ยวกับความคล้ายคลึงกันของรายการ ความคล้ายคลึงกันคือการคำนวณขึ้นอยู่กับรายการ
คุณลักษณะการใช้มาตรการระยะที่เหมาะสม เราพยายาม
ที่จะผสมพันธุ์กรองร่วมกันและเนื้อหาตามคำแนะนำ
เพื่อหลีกเลี่ยงความยากลำบากของบุคคลเหล่านี้
วิธีการ รายการวัดความคล้ายคลึงใช้ในเนื้อหา
ตามคำแนะนำจะได้เรียนรู้จากการทำงานร่วมกันทางสังคม
เครือข่ายของผู้ใช้

ผลลัพธ์ (ไทย) 3:

ระบบการแนะนำผลิตรายการ
ซึ่งผู้ใช้อาจจะสนใจในบริบทของเธอ
ปัจจุบันทางเลือกของรายการ ระบบข้อเสนอแนะเป็น
สร้างขึ้นสำหรับภาพยนตร์ , หนังสือ , ชุมชน , ข่าว , บทความฯลฯ
มีอยู่สองหลักวิธีการสร้างคำแนะนำ
- ระบบการกรอง และเนื้อหาที่ใช้ร่วมกัน [ 3 ] ร่วมกัน

. ความคล้ายคลึงกันระหว่างสองระบบการกรองตามประวัติเครดิตของพวกเขาและแนะนำรายการที่
มีคะแนนสูงโดยผู้ใช้ที่คล้ายคลึงกัน อย่างไรก็ตาม คุณภาพของการกรองทนทุกข์ทรมานร่วมกัน
ในกรณีของฐานข้อมูลการตั้งค่าโปร่ง .
เนื้อหาตามระบบในมืออื่น ๆที่ไม่ได้ใช้ใด ๆ ความต้องการข้อมูลและให้ข้อเสนอแนะโดยตรง

ต่อจากความเหมือนของรายการ ความเหมือนจะคำนวณตามรายการ
คุณลักษณะการใช้มาตรการระยะที่เหมาะสม เราพยายามที่จะผสมร่วมกันและการกรองเนื้อหา

ตามคำแนะนำเพื่อหลีกเลี่ยงความยุ่งยากของรายบุคคล
เหล่านี้ รายการความเหมือนวัดที่ใช้ในเนื้อหา
ตามคำแนะนำคือเรียนรู้จากความร่วมมือทางสังคม
เครือข่ายของผู้ใช้