While the similarity-based heuristi

While the similarity-based heuristic approaches described earlier apply to only
neighborhood-based collaborative filtering recommendation techniques, the aggregation function approach can be used in combination with any traditional recommendation technique, because individual criteria ratings are used for the prediction
in the first step. As one example of possible aggregation functions, Adomavicius and
Kwon [2] use linear regression and estimate coefficients (i.e., importance weights
of each individual criterion) based on the known ratings.
Adomavicius and Kwon [2] also note that the aggregation function can have different scopes: total (i.e., when a single aggregation function is learned based on theentire dataset), user-based or item-based (i.e., when a separate aggregation function
is learned for each user or item).
Empirical analysis using data from Yahoo! Movies shows that the aggregation
function approach (using multi-criteria rating information) outperforms a traditional
single-rating collaborative filtering technique (using only overall ratings) by 0.3-
6.3% in terms of precision-in-top-N (N = 3, 5, and 7) metric [2].
Probabilistic modeling approach. Some multi-criteria recommendation approaches
adopt probabilistic modeling algorithms that are becoming increasingly popular in
data mining and machine learning. One example is the work of Sahoo et al. [79],
which extends the flexible mixture model (FMM) developed by Si and Jin [86] to
multi-criteria rating recommenders. The FMM assumes that there are two latent
variables Zu and Zi (for users and items), and they are used to determine a single
rating r of user u on item i, as shown in Fig. 24.2a. Sahoo et al. [79] also discover
the dependency structure among the overall ratings (r0) and multi-criteria ratings
(r1, r2, r3, and r4), using Chow-Liu tree structure discovery [16], and incorporate the
structure into the FMM, as shown in Fig. 24.2b.

ผลลัพธ์ (ไทย) 1:

ในขณะความคล้ายคลึงกันตามแล้ววิธีอธิบายไว้ก่อนหน้านี้ กับเท่านั้นตามย่าน filtering ร่วมแนะนำเทคนิค วิธีการฟังก์ชันรวมสามารถใช้ร่วมกับเทคนิคการแนะนำแบบ เนื่องจากการจัดอันดับแต่ละเงื่อนไขจะใช้สำหรับคำทำนายในขั้นตอน first เป็นตัวอย่างหนึ่งของฟังก์ชันการรวมที่เป็นไปได้ Adomavicius และKwon [2] ใช้เส้นถดถอยและประเมิน coefficients (เช่น ความสำคัญน้ำหนักของแต่ละเกณฑ์ละ) ตามการจัดอันดับชื่อดังAdomavicius และ Kwon [2] โปรดสังเกตว่า ฟังก์ชันรวมจะมีขอบเขตแตกต่างกัน: ทั้งหมด (เช่น เมื่อฟังก์ชันรวมเดี่ยวเป็นการเรียนรู้ตามชุดข้อมูลแจก), ตามผู้ใช้ หรือ ตามสินค้า (เช่น เมื่อฟังก์ชันรวมแยกต่างหากจะเรียนรู้สำหรับผู้ใช้แต่ละรายหรือแต่ละรายการ)วิเคราะห์ผลโดยใช้ข้อมูลจาก yahoo!ภาพยนตร์แสดงให้เห็นว่าการรวมฟังก์ชันวิธี (โดยใช้ข้อมูลการจัดอันดับหลายเงื่อนไข) outperforms แบบดั้งเดิมfiltering ร่วมกันจัดอันดับเดียวเทคนิค (ใช้การจัดอันดับโดยรวมเท่านั้น) โดย 0.3-6.3% ในแง่ของความแม่นยำในบน-N (N = 3, 5 และ 7) วัด [2]วิธีการสร้างโมเดล probabilistic บางคำแนะนำเงื่อนไขหลายวิธีอัลกอริทึม probabilistic โมเดลที่จะกลายเป็นที่นิยมมากขึ้นในการนำมาใช้การทำเหมืองข้อมูลและเรียนรู้ของเครื่อง ตัวอย่างหนึ่งคือ การทำงานของ Sahoo et al. [79],ซึ่งขยาย flexible ผสมแบบ (FMM) พัฒนาไป โดยศรีและจิ [86]recommenders จัดอันดับหลายเงื่อนไข FMM สมมติว่า มีสองแฝงอยู่ตัวแปร Zu และซิ (สำหรับผู้ใช้และสินค้า), และพวกเขาจะใช้เพื่อกำหนดเดียวr การจัดอันดับของยูผู้ใช้สินค้า i ดังที่แสดงใน Fig. 24.2a นอกจากนี้ยังพบ Sahoo et al. [79]อ้างอิงโครงสร้างการจัดอันดับโดยรวม (r0) และจัดอันดับหลายเงื่อนไข(r1, r2, r3, r4 และ), ใช้การค้นพบโครงสร้างต้นไม้ชาวหลิว [16], และรวมการโครงสร้างเป็น FMM มาก Fig. 24.2b

ผลลัพธ์ (ไทย) 2:

ในขณะที่วิธีการแก้ปัญหาที่คล้ายคลึงกันตามที่อธิบายไว้ก่อนหน้านี้นำไปใช้กับเฉพาะ
พื้นที่ใกล้เคียงตามคำแนะนำเทคนิค ltering สายการทำงานร่วมกันวิธีการรวมฟังก์ชั่นที่สามารถใช้ร่วมกับเทคนิคแบบดั้งเดิมคำแนะนำใด ๆ เพราะการจัดอันดับตามเกณฑ์ของแต่ละบุคคลจะใช้สำหรับการคาดการณ์
ในขั้นตอนที่สายแรก ในฐานะที่เป็นหนึ่งในตัวอย่างของฟังก์ชั่นการรวมตัวเป็นไปได้ Adomavicius และ
ควอน [2] ใช้การถดถอยเชิงเส้นและประมาณการ cients ไฟ COEF (เช่นน้ำหนักความสำคัญ
ของแต่ละเกณฑ์ของแต่ละบุคคล) จากการให้คะแนนที่รู้จักกัน.
Adomavicius และควอน [2] นอกจากนี้ยังทราบว่าฟังก์ชั่นการรวมตัวสามารถมี ขอบเขตที่แตกต่างกันรวม (กล่าวคือเมื่อมีการรวมฟังก์ชั่นเดียวจะได้เรียนรู้บนพื้นฐานของชุดข้อมูลทุกขั้นตอน) ผู้ใช้หรือรายการที่ใช้ (เช่นเมื่อฟังก์ชั่นการรวมตัวเฉพาะกิจการ
เรียนรู้สำหรับผู้ใช้แต่ละคนหรือรายการ).
การวิเคราะห์เชิงประจักษ์โดยใช้ข้อมูลจาก Yahoo ! ภาพยนตร์แสดงให้เห็นว่าการรวม
วิธีการฟังก์ชั่น (โดยใช้เกณฑ์หลายข้อมูลคะแนน) มีประสิทธิภาพดีกว่าแบบดั้งเดิม
คะแนนเดียวเทคนิค ltering สายร่วมกัน (โดยใช้การจัดอันดับโดยรวมเท่านั้น) โดย 0.3-
6.3% ในแง่ของความแม่นยำในด้านบน-N (ยังไม่มี = 3 , 5, และ 7) ตัวชี้วัด [2].
น่าจะเป็นวิธีการสร้างแบบจำลอง บางคำแนะนำหลายหลักเกณฑ์วิธี
การสร้างแบบจำลองขั้นตอนวิธีการที่นำมาใช้น่าจะเป็นที่จะกลายเป็นที่นิยมมากขึ้นใน
การทำเหมืองข้อมูลและการเรียนรู้เครื่อง ตัวอย่างหนึ่งคือการทำงานของ Sahoo et al, [79]
ซึ่งขยายรูปแบบการยืดหยุ่นส่วนผสมชั้น (FMM) ที่พัฒนาโดยศรีและจิน [86] เพื่อ
หลายเกณฑ์ Recommenders คะแนน FMM สมมติว่ามีสองแฝง
ตัวแปร Zu และ Zi (สำหรับผู้ใช้และข้อมูลรายการ) และพวกเขาจะใช้ในการกำหนดเดียว
อาร์การจัดอันดับของผู้ใช้ยูในรายการ i, ดังแสดงในรูป 24.2a Sahoo et al, [79] นอกจากนี้ยังค้นพบ
โครงสร้างการพึ่งพาระหว่างการจัดอันดับโดยรวม (r0) และเกณฑ์การให้คะแนนหลาย
(r1, r2, R3 และ R4) โดยใช้ Chow-หลิวการค้นพบโครงสร้าง [16] และรวม
เข้าไปในโครงสร้าง FMM, ดังแสดงในรูป 24.2b

ผลลัพธ์ (ไทย) 3:

ในขณะที่ใช้วิธีการอธิบายก่อนหน้านี้ใช้ความเหมือนแบบแถวๆเท่านั้น
ร่วมกันจึง ltering เทคนิคแนะนำตามฟังก์ชันการรวมแนวทางที่สามารถใช้ร่วมกับเทคนิคคำแนะนำใด ๆแบบดั้งเดิม เพราะเงื่อนไขแต่ละอันดับจะใช้ในการทำนาย
ในจึงตัดสินใจเดินทางก้าว เป็นหนึ่งในตัวอย่างของฟังก์ชันการรวมที่เป็นไปได้และ adomavicius
ควอน [ 2 ] ใช้สมการถดถอยเชิงเส้นและประมาณการ coef จึง cients ( เช่น ความสำคัญของแต่ละเกณฑ์น้ำหนัก
บุคคล ) ขึ้นอยู่กับว่าคะแนน .
adomavicius และควอน [ 2 ] นอกจากนี้ยังทราบว่าฟังก์ชันการรวมสามารถมีขอบเขตที่แตกต่างกัน : ทั้งหมด ( เช่นเมื่อฟังก์ชันการเดียวคือ เรียนตาม theentire ชุดข้อมูล ) , ผู้ใช้ตามหรือรายการตาม ( เช่นเมื่อมีการแยกฟังก์ชัน
เรียนรู้สำหรับผู้ใช้แต่ละคนหรือสินค้า )
การวิเคราะห์เชิงประจักษ์โดยใช้ข้อมูลจาก Yahoo ! ภาพยนตร์แสดงให้เห็นว่าฟังก์ชันการรวม
วิธีการ ( ใช้หลายเกณฑ์การประเมินสารสนเทศมีประสิทธิภาพดีกว่าแบบดั้งเดิม
เดี่ยวอันดับร่วมกันจึง ltering เทคนิค ( ใช้เฉพาะคะแนนโดยรวม ) 0.3 -
6.3% ในแง่ของ precision-in-top-n ( n = 3 , 5 และ 7 ) ระบบเมตริก
[ 2 ]วิธีการสร้างแบบจำลองความน่าจะเป็น . มีหลายเกณฑ์แนะนำแนวทางใช้ขั้นตอนวิธีแบบความน่าจะเป็นที่

กลายเป็นที่นิยมมากขึ้นในการทำเหมืองข้อมูลและการเรียนรู้เครื่อง ตัวอย่างหนึ่งคือการทำงานของ sahoo et al . [ 79 ] ,
ซึ่งขยายflแบบผสม exible ( FMM ) ที่พัฒนาโดย ศรี และ จิน [ 86 ]

หลายเกณฑ์การประเมิน recommenders . ใช้ FMM สันนิษฐานว่ามีสองแฝง
และตัวแปรไปยังจื่อ ( สำหรับผู้ใช้และรายการ ) , และพวกเขาจะใช้ในการตรวจสอบการจัดอันดับของผู้ใช้เดียว
R U ในรายการผม ดังแสดงในรูปที่ 24.2a . sahoo et al . [ 79 ] ค้นพบ
โครงสร้างการพึ่งพาระหว่างการให้คะแนนโดยรวม ( r0 ) และหลายเกณฑ์การจัดอันดับ
( R1 , R2 , R3 และ R4 ) โดยใช้โครงสร้างต้นไม้เฉาหลิวค้นพบ [ 16 ] และรวม
โครงสร้างลง FMM ดังแสดงในรูปที่ 24.2b .