Most recommender systems use Collab

Most recommender systems use Collaborative Filtering or
Content-based methods to predict new items of interest for
a user. While both methods have their own advantages, individually
they fail to provide good recommendations in many
situations. Incorporating components from both methods, a
hybrid recommender system can overcome these shortcomings.
In this paper, we present an elegant and effective framework
for combining content and collaboration. Our approach
uses a content-based predictor to enhance existing user data,
and then provides personalized suggestions through collaborative
filtering. We present experimental results that show
how this approach, Content-Boosted Collaborative Filtering,
performs better than a pure content-based predictor, pure collaborative
filter, and a naive hybrid approach.

ผลลัพธ์ (ไทย) 1:

ระบบผู้แนะนำส่วนใหญ่ใช้กรองร่วมกัน หรือใช้เนื้อหาวิธีการทำนายว่า สินค้าใหม่ที่น่าสนใจสำหรับผู้ใช้ ในขณะที่ทั้งสองวิธีมีข้อดีของตัวเอง แต่ละพวกเขาไม่สามารถให้คำแนะนำที่ดีในสถานการณ์ อีกทั้งยังมีส่วนประกอบจากทั้งสองวิธี การระบบไฮบริผู้แนะนำสามารถเอาชนะเหล่านี้แสดงในเอกสารนี้ เรานำกรอบสวยงาม และมีประสิทธิภาพในการรวมเนื้อหาและทำงานร่วมกัน วิธีการของเราใช้จำนวนประตูตามเนื้อหาเพื่อเพิ่มข้อมูลผู้ใช้ที่มีอยู่และให้คำแนะนำส่วนบุคคลผ่านร่วมกันกรอง เรานำเสนอผลการทดลองที่แสดงวิธีนี้วิธี Content-Boosted ร่วมกรองทำดีกว่าที่บริสุทธิ์ตามเนื้อหาจำนวนประตู บริสุทธิ์ร่วมกันตัวกรอง และวิธีผสมขำน่า

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่ระบบ recommender ใช้ความร่วมมือการกรองหรือ
เนื้อหาวิธีการที่ใช้ในการทำนายรายการใหม่ที่น่าสนใจสำหรับ
ผู้ใช้ ในขณะที่ทั้งสองวิธีมีข้อดีของตัวเองเป็นรายบุคคล
ที่พวกเขาล้มเหลวที่จะให้คำแนะนำที่ดีในหลาย ๆ
สถานการณ์ ผสมผสานส่วนประกอบจากวิธีการทั้งสอง
ระบบ recommender ไฮบริดสามารถเอาชนะข้อบกพร่องเหล่านี้.
ในบทความนี้เราจะนำเสนอกรอบการทำงานที่สง่างามและมีประสิทธิภาพ
สำหรับการรวมเนื้อหาและการทำงานร่วมกัน วิธีการที่เรา
ใช้ทำนายเนื้อหาตามที่มีอยู่เพื่อเพิ่มข้อมูลของผู้ใช้
จากนั้นจะให้ข้อเสนอแนะส่วนบุคคลผ่านการทำงานร่วมกัน
ในการกรอง เรานำเสนอผลการทดลองที่แสดงให้เห็น
ว่าวิธีการนี้เนื้อหาเพิ่มขึ้นความร่วมมือการกรอง
ประสิทธิภาพดีกว่าทำนายเนื้อหาตามบริสุทธิ์ความร่วมมือบริสุทธิ์
กรองและวิธีการไฮบริดไร้เดียงสา

ผลลัพธ์ (ไทย) 3:

แนะนำระบบส่วนใหญ่ใช้แบบกรองหรือ
ตามเนื้อหาวิธีการทำนายใหม่รายการที่น่าสนใจสำหรับ
ผู้ใช้ ในขณะที่ทั้งสองวิธีมีข้อดีของตัวเองแบบ
พวกเขาล้มเหลวในข้อเสนอแนะที่ดีในสถานการณ์มาก

ผสมผสานองค์ประกอบจากทั้งสองวิธีแนะนำระบบไฮบริดสามารถเอาชนะข้อบกพร่องนี้เป็น
.
ในกระดาษนี้เราเสนอที่หรูหราและมีประสิทธิภาพกรอบ
รวมเนื้อหาและความร่วมมือ
วิธีการของเราใช้ทำนายเนื้อหาเพื่อเพิ่มข้อมูลผู้ใช้ที่มีอยู่แล้วให้ข้อเสนอแนะผ่านทางส่วนบุคคล

แบบกรอง เรานำเสนอผลการทดลองแสดงให้เห็นว่า
ว่าวิธีนี้ใช้ร่วมกันเนื้อหาการกรอง
มีประสิทธิภาพดีกว่าตัวเนื้อหาบริสุทธิ์ ,กรองร่วมกัน
บริสุทธิ์ และไร้เดียงสา ไฮบริด )