User–user collaborative filtering,

User–user collaborative filtering, while effective, suffers from scalability
problems as the user base grows. Searching for the neighbors of
a user is an O(|U|) operation (or worse, depending on how similarities
are computing — directly computing most similarity functions
against all other users is linear in the total number of ratings). To
extend collaborative filtering to large user bases and facilitate deployment
on e-commerce sites, it was necessary to develop more scalable
96 Collaborative Filtering Methods
algorithms. Item–item collaborative filtering, also called item-based collaborative
filtering, takes a major step in this direction and is one of
the most widely deployed collaborative filtering techniques today.
Item–item collaborative filtering was first described in the literature
by Sarwar et al. [130] and Karypis [71], although a version of it seems
to have been used by Amazon.com at this time [87]. Rather than using
similarities between users’ rating behavior to predict preferences, item–
item CF uses similarities between the rating patterns of items. If two
items tend to have the same users like and dislike them, then they are
similar and users are expected to have similar preferences for similar
items. In its overall structure, therefore, this method is similar to earlier
content-based approaches to recommendation and personalization, but
item similarity is deduced from user preference patterns rather than
extracted from item data.
In its raw form, item–item CF does not fix anything: it is still necessary
to find the most similar items (again solving the k-NN problem) to
generate predictions and recommendations. In a system that has more
users than items, it allows the neighborhood-finding to be amongst the
smaller of the two dimensions, but this is a small gain. It provides
major performance gains by lending itself well to pre-computing the
similarity matrix.
As a user rates and re-rates items, their rating vector will change
along with their similarity to other users. Finding similar users in
advance is therefore complicated: a user’s neighborhood is determined
not only by their ratings but also by the ratings of other users, so their
neighborhood can change as a result of new ratings supplied by any
user in the system. For this reason, most user–user CF systems find
neighborhoods at the time when predictions or recommendations are
needed.
In systems with a sufficiently high user to item ratio, however, one
user adding or changing ratings is unlikely to significantly change the
similarity between two items, particularly when the items have many
ratings. Therefore, it is reasonable to pre-compute similarities between
items in an item–item similarity matrix. The rows of this matrix can
even be truncated to only store the k most similar items. As users
change ratings, this data will become slightly stale, but the users will
2.3 Item–Item Collaborative Filtering 97
likely still receive good recommendations and the data can be fully
updated by re-computing the similarities during a low-load time for
the system.
Item–item CF generates predictions by using the user’s own ratings
for other items combined with those items’ similarities to the target
item, rather than other users’ ratings and user similarities as in user–
user CF. Similar to user–user CF, the recommender system needs a
similarity function, this time s: I×I → R, and a method to generate
predictions from ratings and similarities.

ผลลัพธ์ (ไทย) 1:

ผู้ใช้ – ผู้ใช้ร่วมกัน การกรองในขณะที่มีประสิทธิภาพ ทนทุกข์ทรมานจากภาระปัญหาเป็นฐานผู้ใช้เติบโต ค้นหาเพื่อนบ้านของผู้ใช้จะเป็น O (กรุนด์ฟอส U |) การดำเนินการ (หรือแย่ ลง ขึ้นอยู่กับวิธีความคล้ายคลึงกันมีการใช้งาน — โดยตรงการใช้งานฟังก์ชันส่วนใหญ่คล้ายคลึงกับผู้ใช้อื่น ๆ ทั้งหมดเป็นเส้นตรงในจำนวนรวมของการจัดอันดับ) ถึงขยายกรองร่วมกันถึงฐานผู้ใช้ขนาดใหญ่ และความสะดวกในการใช้งานบนเว็บไซต์อีคอมเมิร์ซ ก็จำเป็นต้องพัฒนาปรับขนาดได้มากขึ้นวิธีการกรอง 96 ร่วมกันอัลกอริทึม รายการ – สินค้าร่วมกัน การกรองเรียกว่าตามสินค้าร่วมกันกรอง ใช้เวลาขั้นตอนสำคัญในทิศทางนี้ และเป็นหนึ่งที่นิยมใช้เทคนิคกรองร่วมกันวันนี้รายการ – รายการกรองร่วมกันอธิบายไว้ครั้งแรกในวรรณคดีโดย Sarwar et al. [130] และ Karypis [71], แม้ว่ารุ่นเหมือนต้องมีการใช้ โดย Amazon.com ในเวลานี้ [87] แทนที่จะใช้ความคล้ายคลึงกันระหว่างผู้จัดอันดับพฤติกรรมการคาดการณ์การกำหนดลักษณะ สินค้าสินค้า CF ใช้ความคล้ายคลึงกันระหว่างรูปแบบการจัดอันดับของรายการ ถ้าสองรายการมักจะ มีผู้ใช้เช่นเดียวกัน และไม่ชอบพวกเขา แล้วพวกเขาจะคล้ายผู้ใช้จะต้องมีลักษณะที่คล้ายกันสำหรับคล้ายรายการ ในโครงสร้างทั้งหมด ดังนั้น วิธีนี้จะคล้ายกับรุ่นก่อนหน้านี้เนื้อหาตามแนวทางคำแนะนำการตั้งค่าส่วนบุคคล แต่ความคล้ายคลึงกันของสินค้าได้ซึ่งสามารถกล่าวได้จากรูปแบบการกำหนดลักษณะผู้ใช้แทนสกัดจากข้อมูลสินค้าในรูปแบบดิบ CF สินค้า – สินค้าไม่สามารถแก้ไขอะไร: ยังคงจำเป็นการหารายการคล้ายกันมากที่สุด (อีกแก้ปัญหา k-NN) เพื่อสร้างการคาดการณ์และคำแนะนำ ในระบบที่มีเพิ่มเติมผู้ใช้กว่ารายการ ช่วยให้หาย่านเพื่อเป็นหนึ่งในการขนาดเล็กสองมิติ แต่นี้จะมีกำไรเล็ก ๆ มีหลักประสิทธิภาพ โดยให้ยืมตัวเองด้วยการประมวลผลล่วงหน้าการเมทริกซ์คล้ายคลึงกันผู้ใช้ราคาถูก และราคาสินค้าใหม่ เวกเตอร์อันดับของพวกเขาจะเปลี่ยนพร้อมกับความคล้ายคลึงกันของผู้ใช้อื่น ๆ ค้นหาผู้ใช้ที่คล้ายกันในล่วงหน้าจึงซับซ้อน: ย่านผู้ถูกกำหนดโดยการจัดอันดับโดยอันดับของผู้ใช้อื่น ๆ แต่ยังไม่เท่านั้นดังนั้นของพวกเขาย่านสามารถเปลี่ยนเป็นผลจากการจัดอันดับใหม่ให้มา โดยวิธีใด ๆผู้ใช้ในระบบ ด้วยเหตุนี้ ส่วนใหญ่ผู้ใช้ – ผู้ใช้ CF ระบบค้นหาละแวกใกล้เคียงในเวลาเมื่อคาดคะเนหรือแนะนำได้จำเป็นต้องในระบบกับผู้ใช้อย่างสูงอัตราสินค้า อย่างไรก็ตาม หนึ่งผู้ใช้สามารถเพิ่ม หรือเปลี่ยนแปลงการจัดอันดับไม่น่าจะมีเปลี่ยนตัวความคล้ายคลึงระหว่างสองรายการ โดยเฉพาะอย่างยิ่งเมื่อสินค้ามีมากมายการจัดอันดับ ดังนั้น จึงคำนวณความคล้ายคลึงระหว่างก่อนรายการในเมทริกซ์คล้ายการสินค้า – สินค้า แถวของเมทริกซ์นี้สามารถแม้จะถูกตัดทอนเพื่อเก็บสินค้าคล้าย k เท่านั้น เป็นผู้ใช้การจัดอันดับเปลี่ยนแปลง ข้อมูลนี้จะกลายเป็นเล็กน้อยเก่า แต่ผู้ใช้จะ2.3 สินค้า – สินค้า 97 กรองร่วมกันน่าจะยังคงได้รับคำแนะนำที่ดี และข้อมูลได้อย่างเต็มที่ปรับปรุง โดยการคำนวณความคล้ายคลึงระหว่างเวลาการโหลดต่ำอีกครั้งระบบรายการ – สินค้า CF สร้างคาดการณ์ โดยใช้การจัดอันดับของผู้ใช้สำหรับสินค้าอื่น ๆ รวมกับความเหมือนของสินค้าเหล่านั้นไปยังเป้าหมายสินค้า มากกว่าคะแนนของผู้ใช้อื่น และความคล้ายคลึงกันของผู้ใช้เช่นผู้ใช้ –cf.คล้ายกับ CF ผู้ใช้ – ผู้ใช้ ระบบผู้แนะนำต้องการฟังก์ชั่นคล้าย s:เวลานี้ฉัน×ฉัน→ R และวิธีการเพื่อสร้างคาดคะเนจากการจัดอันดับและความคล้ายคลึงกัน

ผลลัพธ์ (ไทย) 2:

ใช้กรองผู้ใช้ร่วมกันในขณะที่มีประสิทธิภาพทนทุกข์ทรมานจาก scalability
ปัญหาเป็นฐานผู้ใช้ที่เติบโตขึ้น กำลังหาเพื่อนบ้านของ
ผู้ใช้เป็น O (| U |) การดำเนินงาน (หรือแย่ลงขึ้นอยู่กับวิธีการที่คล้ายคลึงกัน
มีการใช้คอมพิวเตอร์ - คอมพิวเตอร์โดยตรงฟังก์ชั่นความคล้ายคลึงกันมากที่สุด
กับผู้ใช้อื่น ๆ เป็นเส้นตรงในจำนวนรวมของคะแนน) เพื่อ
ขยายความร่วมมือการกรองฐานผู้ใช้ขนาดใหญ่และอำนวยความสะดวกในการใช้งาน
บนเว็บไซต์ E-Commerce, มันเป็นสิ่งจำเป็นในการพัฒนาปรับขนาดได้มากขึ้น
96 ความร่วมมือการกรองวิธีการ
ขั้นตอนวิธีการ รายการรายการกรองการทำงานร่วมกันที่เรียกว่ารายการที่ใช้ร่วมกัน
กรองจะใช้เวลาขั้นตอนที่สำคัญในทิศทางนี้และเป็นหนึ่ง
นำไปใช้กันอย่างแพร่หลายเทคนิคการกรองการทำงานร่วมกันในวันนี้.
รายการรายการกรองการทำงานร่วมกันเป็นครั้งแรกในวรรณคดี
โดยโฉบ et al, [130] และ Karypis [71] แม้ว่ารุ่นของมันดูเหมือนว่า
จะได้รับการใช้โดย Amazon.com ในขณะนี้ [87] แทนที่จะใช้
ความคล้ายคลึงกันระหว่างพฤติกรรมการให้คะแนนของผู้ใช้ในการทำนายค่า item-
CF รายการใช้ความคล้ายคลึงกันระหว่างรูปแบบการจัดอันดับของรายการ หากทั้งสอง
รายการมีแนวโน้มที่จะมีผู้ใช้เดียวกันชอบและไม่ชอบพวกเขาแล้วพวกเขาจะ
คล้ายกันและผู้ใช้งานที่คาดว่าจะมีการตั้งค่าที่คล้ายกันคล้ายกันสำหรับ
รายการ ในโครงสร้างโดยรวมดังนั้นวิธีการนี้จะคล้ายกับก่อนหน้านี้
วิธีการเนื้อหาที่ใช้ในการเสนอแนะและส่วนบุคคล แต่
คล้ายคลึงกันรายการจะอนุมานได้จากรูปแบบการตั้งค่าของผู้ใช้มากกว่า
ที่สกัดจากข้อมูลรายการ.
ในรูปแบบดิบของ CF รายการรายการไม่สามารถแก้ไข อะไร: ก็ยังคงเป็นสิ่งที่จำเป็น
ในการค้นหารายการที่คล้ายกันมากที่สุด (อีกครั้งการแก้ปัญหา K-NN) เพื่อ
สร้างการคาดการณ์และข้อเสนอแนะ ในระบบที่มีมากขึ้น
ผู้ใช้กว่ารายการที่จะช่วยให้ย่านค้นพบจะเป็นหมู่
เล็ก ๆ สองมิติ แต่นี้เป็นได้ขนาดเล็ก จะให้
เพิ่มประสิทธิภาพการทำงานที่สำคัญโดยให้ยืมตัวดีเพื่อก่อนการคำนวณ
เมทริกซ์คล้ายคลึงกัน.
ในฐานะที่เป็นผู้ใช้อัตราและรายการอีกครั้งอัตราค่าเวกเตอร์ให้คะแนนของพวกเขาจะเปลี่ยนไป
พร้อมกับความคล้ายคลึงกันของพวกเขาให้กับผู้ใช้อื่น ๆ ค้นหาผู้ใช้งานที่คล้ายกันใน
ล่วงหน้าดังนั้นจึงเป็นเรื่องที่ซับซ้อน: เขตของผู้ใช้จะถูกกำหนด
โดยไม่เพียง แต่การจัดอันดับของพวกเขา แต่ยังตามการจัดอันดับของผู้ใช้อื่น ๆ เพื่อให้พวกเขา
เขตสามารถเปลี่ยนเป็นผลมาจากการจัดอันดับใหม่ใด ๆ ที่จัดทำโดย
ผู้ใช้ในระบบ ด้วยเหตุนี้มากที่สุดระบบการใช้งานของผู้ใช้ CF พบ
ละแวกใกล้เคียงในขณะที่การคาดการณ์หรือคำแนะนำจะ
จำเป็น.
ในระบบที่มีผู้ใช้สูงเพียงพอที่จะอัตราส่วนรายการ แต่หนึ่ง
ผู้ใช้เพิ่มหรือเปลี่ยนการให้คะแนนไม่น่าจะมีนัยสำคัญเปลี่ยน
ความคล้ายคลึงกันระหว่างสอง รายการโดยเฉพาะอย่างยิ่งเมื่อรายการดังกล่าวมีจำนวนมาก
การจัดอันดับ ดังนั้นจึงเป็นสิ่งที่เหมาะสมก่อนการคำนวณความคล้ายคลึงกันระหว่าง
รายการในความคล้ายคลึงกันเมทริกซ์รายการรายการ แถวของเมทริกซ์นี้สามารถ
แม้จะถูกตัดทอนในการจัดเก็บเพียง K รายการที่คล้ายกันมากที่สุด ขณะที่ผู้ใช้
เปลี่ยนการให้คะแนนข้อมูลนี้จะกลายเป็นเก่าเล็กน้อย แต่ผู้ใช้จะ
2.3 รายการรายการความร่วมมือการกรอง 97
แนวโน้มยังคงได้รับข้อเสนอแนะที่ดีและข้อมูลที่สามารถอย่างเต็มที่
การปรับปรุงโดยการคำนวณความคล้ายคลึงกันในช่วงเวลาที่โหลดต่ำสำหรับ
ระบบ .
CF รายการรายการสร้างการคาดการณ์โดยใช้การจัดอันดับของผู้ใช้
สำหรับรายการอื่น ๆ รวมกันด้วย 'ลักษณะคล้ายคลึงกับเป้าหมายรายการเหล่านั้น
รายการมากกว่าผู้ใช้คนอื่นให้คะแนนและความคล้ายคลึงกันของผู้ใช้ในขณะที่ผู้ใช้
CF. ผู้ใช้ คล้ายกับ CF ใช้งานของผู้ใช้ระบบ recommender ความต้องการ
ฟังก์ชั่นความคล้ายคลึงกันในครั้งนี้ S: ฉัน×ฉัน→ R และวิธีการที่จะสร้าง
การคาดการณ์จากการจัดอันดับและความคล้ายคลึงกัน

ผลลัพธ์ (ไทย) 3:

ผู้ใช้ - ผู้ใช้ร่วมกันทั้งสิ้น ในขณะที่ประสิทธิภาพ ทนทุกข์ทรมานจากการทำงานปัญหาเป็นฐานผู้ใช้ที่กำลังเติบโต การค้นหาเพื่อนบ้านของผู้ใช้เป็น O ( | u | ) ปฏิบัติการ ( หรือแย่ลงขึ้นอยู่กับวิธีที่คล้ายคลึงคอมพิวเตอร์ - คอมพิวเตอร์ส่วนใหญ่มีความเหมือนฟังก์ชันโดยตรงกับผู้ใช้อื่น ๆทั้งหมดเป็นเส้นตรงในจำนวนของการจัดอันดับ ) เพื่อขยายฐานผู้ใช้ขนาดใหญ่และการกรองเพื่ออำนวยความสะดวกการใช้งานและบนเว็บไซต์อี - คอมเมิร์ซ จึงจำเป็นต้องพัฒนาระบบเพิ่มเติมวิธีการกรอง 96 )อัลกอริธึม รายการสินค้าร่วมกันและการกรอง เรียกว่าตามรายการ )กรองใช้เป็นขั้นตอนใหญ่ในทิศทางนี้และเป็นหนึ่งในเทคนิคการกรองใช้ร่วมกันอย่างกว้างขวางมากที่สุดวันนี้รายการสินค้าร่วมกันและการกรองได้อธิบายครั้งแรกในวรรณคดีโดย Sarw ā r et al . [ 130 ] และ karypis [ 71 ] ถึงแม้รุ่นดูเหมือนว่าจะถูกใช้โดย Amazon.com ในเวลา [ 87 ] แทนที่จะใช้ความคล้ายคลึงกันระหว่างพฤติกรรมการประเมินของผู้ใช้เพื่อทำนายลักษณะ สินค้าจำกัดรายการที่ CF ใช้ความคล้ายคลึงกันระหว่างการประเมินรูปแบบของรายการ ถ้าสองรายการที่มักจะมีผู้ใช้เดียวกัน ชอบและไม่ชอบของพวกเขา แล้วพวกเขาจะที่คล้ายกันและผู้ใช้ที่คาดว่าจะมีลักษณะคล้ายคล้ายรายการ ในโครงสร้างโดยรวมของดังนั้น วิธีนี้จะคล้ายกับก่อนหน้านี้เนื้อหาวิธีการแนะนำและการตั้งค่าส่วนบุคคล แต่รายการความเหมือนเป็น deduced จากผู้ใช้การตั้งค่ารูปแบบมากกว่าสารสกัดจากข้อมูลรายการในรูปแบบดิบ , CF และ รายการไม่ได้แก้ไขอะไรมันก็จำเป็นเพื่อค้นหารายการที่คล้ายกันมากที่สุด ( แก้ไข k-nn ปัญหาอีก )สร้างการคาดการณ์ และข้อเสนอแนะ ในระบบมีมากขึ้นผู้ใช้กว่าสินค้าจะช่วยให้ชุมชนค้นหาอยู่ในหมู่เล็กสองมิติ แต่นี้เป็นประโยชน์เล็ก ๆ มันให้หลักประสิทธิภาพ กำไร โดยยืมตัวเองดีก่อนการคำนวณความเหมือนของเมทริกซ์ในฐานะที่เป็นผู้ใช้อัตราและรายการอัตราเร เรตติ้งจะเปลี่ยนแปลงเวกเตอร์พร้อมกับมีความคล้ายคลึงกันกับผู้ใช้อื่น ๆ ค้นหาผู้ใช้ที่คล้ายกันในล่วงหน้าจึงซับซ้อน : ชุมชนของผู้ใช้กำหนดไม่เพียง แต่โดยการจัดอันดับของพวกเขา แต่ยังโดยการจัดอันดับของผู้ใช้อื่น ๆ ดังนั้นพวกเขาเพื่อนบ้านสามารถเปลี่ยนผลคะแนนมาใหม่ใด ๆผู้ใช้ในระบบ ด้วยเหตุนี้ , ส่วนใหญ่ของผู้ใช้ผู้ใช้ระบบค้นหาและโฆษณาย่านในเวลาเมื่อการคาดการณ์หรือข้อแนะนําต้องการในระบบที่มีผู้ใช้สูงอย่างเพียงพอต่อรายการแต่ หนึ่งผู้ใช้เพิ่มหรือเปลี่ยนการจัดอันดับไม่น่าจะมีเปลี่ยนความคล้ายคลึงกันระหว่างสองรายการ โดยเฉพาะเมื่อสินค้ามีหลายการจัดอันดับ . ดังนั้นจึงเป็นเรื่องที่เหมาะสมก่อนคำนวณความคล้ายคลึงกันระหว่างรายการในรายการและรายการความเหมือนเมทริกซ์ แถวของเมทริกซ์นี้สามารถแม้จะถูกตัดทอน เพียงเก็บรายการที่คล้ายกันมากที่สุด K . เป็นผู้ใช้การเปลี่ยนแปลงอันดับเครดิตที่ข้อมูลนี้จะกลายเป็นเล็กน้อยน่าเบื่อ แต่ผู้ใช้จะ2.3 สินค้า–รายการกรอง 97 )อาจยังคงได้รับข้อเสนอแนะที่ดีและข้อมูลสามารถอย่างเต็มที่ปรับปรุงโดยจะคำนวณความคล้ายคลึงระหว่างโหลด เวลาต่ำระบบCF และ รายการจะสร้างการคาดการณ์โดยการจัดอันดับของผู้ใช้เองสำหรับรายการอื่น ๆรวมกับรายการที่คล้ายคลึงกับเป้าหมายรายการ มากกว่าคะแนนของผู้ใช้อื่น ๆและผู้ใช้ในผู้ใช้และความคล้ายคลึงกันโฆษณาโฆษณาและผู้ใช้คล้ายกับผู้ใช้ผู้ใช้ แนะนำระบบต้องการความคล้ายคลึงกันของฟังก์ชั่นนี้เวลา : ผม×ผม→ keyboard - key - name R และวิธีการสร้างคำทำนายจากการจัดอันดับและความคล้ายคลึงกัน