This paper presents RECATHON; a con

This paper presents RECATHON; a context-aware recommender system built entirely inside a database system. Unlike traditional recommender systems that are context-free where they support the general query of Recommend movies for a certain user, RECATHON users can request recommendations based on their age, location, gender, or any other contextual/ demographical/preferential user attribute. A main challenge of supporting such kind of recommenders is the difficulty of deciding what attributes to build recommenders on.

RECATHON addresses this challenge as it supports building recommenders in database systems in an analogous way to building index structures. Users can decide to create recommenders on selected attributes, e.g., age and/or gender, and then entertain efficient support of multidimensional recommenders on the selected attributes. RECATHON employs a multi-dimensional index structure for each built recommender that can be accessed using novel query execution algorithms to support efficient retrieval for recommender queries. Experimental results based on an actual prototype of RECATHON, built inside PostgreSQL, using real MovieLens and Foursquare data show that RECATHON exhibits real time performance for large-scale multidimensional recommendation.

Recently, recommender systems have grabbed researchers’ attention in both industry [2], [7], [9], [19] and academia [14], [13], [24], [28], [29]. The main goal of a recommender system is to suggest new and interesting items to users from a large pool of items. Recommender systems are implicitly employed on a daily basis to recommend movies (e.g., Netflix), books/products (e.g., Amazon), friends (e.g., Facebook), and news articles (e.g., Google News). A recommender system exploits the users’ opinions (e.g., movie ratings) and/or purchasing (e.g., watching, reading) history in order to extract a set of interesting items for each user. In technical terms, a recommendation algorithm takes as input a set of users U, items I, and ratings (history of users’ opinions) R and estimates a utility function RecScore(u, i) that predicts how much a certain user u ∈ U would like an item i ∈ I such that i has not been already seen (or watched, consumed, etc) by u [4]. To estimate such a utility function, many recommendation algorithms have been proposed in the literature [4], [11] (e.g., Collaborative Filtering).

ผลลัพธ์ (ไทย) 1:

เอกสารนี้แสดง RECATHON ระบบผู้แนะนำเนื้อหาสร้างขึ้นทั้งหมดภายในระบบฐานข้อมูล ซึ่งแตกต่างจากระบบผู้แนะนำแบบดั้งเดิมที่มีบริบท ที่พวกเขาสนับสนุนการสอบถามทั่วไปแนะนำภาพยนตร์มีบางผู้ใช้ ผู้ใช้ RECATHON สามารถขอคำแนะนำตามอายุ ตำแหน่ง เพศ หรือคุณลักษณะผู้ใช้ตามบริบท / ประชากรศาสตร์และสิทธิพิเศษอื่น ๆ ความท้าทายหลักของการสนับสนุนเช่นชนิด recommenders คือ ยากต่อการตัดสินใจว่า คุณลักษณะใดการสร้าง recommenders RECATHON เน้นความท้าทายนี้รองรับ recommenders อาคารในระบบฐานข้อมูลในทางคล้ายคลึงการสร้างโครงสร้างดัชนี ผู้ใช้สามารถเลือกที่จะสร้าง recommenders บนแอตทริบิวต์ที่เลือก เช่น อายุและเพศ และความบันเทิงแล้ว สนับสนุนประสิทธิภาพของ recommenders หลายมิติในแอตทริบิวต์ที่เลือก RECATHON ใช้โครงสร้างหลายมิติดัชนีสำหรับผู้แนะนำแต่ละระดับที่สามารถเข้าถึงได้โดยใช้อัลกอริทึมการดำเนินการแบบสอบถามใหม่เพื่อสนับสนุนการเรียกข้อมูลที่มีประสิทธิภาพสำหรับการสอบถามผู้แนะนำ ผลการทดลองเป็นไปตามแบบตัวจริงของ RECATHON สร้างภายในใช้จริง MovieLens, PostgreSQL และ Foursquare ข้อมูลแสดงว่า RECATHON แสดงเวลาจริงประสิทธิภาพสำหรับคำแนะนำหลายมิติขนาดใหญ่เมื่อเร็ว ๆ นี้ ผู้แนะนำระบบได้คว้าความสนใจของผู้วิจัยในอุตสาหกรรม [2], [7], [9], [19] และวิชาการ [14], [13], [24], [28], [29] เป้าหมายหลักของระบบผู้แนะนำคือการ แนะนำสินค้าใหม่ และน่าสนใจให้ผู้ใช้จากสระน้ำขนาดใหญ่ของสินค้า ระบบผู้แนะนำเป็นนัยลูกจ้างประจำจะแนะนำภาพยนตร์ (เช่น Netflix), หนังสือผลิตภัณฑ์ (เช่น อเมซอน), เพื่อน (เช่น Facebook), และบทความข่าว (เช่น Google News) ระบบผู้แนะนำการหาประโยชน์ของผู้ใช้ความเห็น (เช่น จัดอันดับภาพยนตร์) หรือซื้อ (เช่น ดู อ่าน) ประวัติเพื่อแยกกลุ่มของรายการที่น่าสนใจสำหรับผู้ใช้แต่ละ ในทางเทคนิค การใช้อัลกอริทึมคำแนะนำเป็นอินพุตของผู้ใช้ U รายการฉัน และการจัดอันดับ (ประวัติความคิดเห็นของผู้ใช้) R และประเมินฟังก์ชันอรรถประโยชน์ RecScore(u, i) ที่ทำนายเท่าใดมีบางผู้ใช้ u ∈ U ต้องสินค้าฉัน∈ฉันซึ่งฉันได้ไม่ได้เห็น (หรือ ดู บริโภค ฯลฯ) โดย u [4] การประเมินเช่นฟังก์ชันอรรถประโยชน์ ได้รับการเสนอหลายแนะนำอัลกอริทึมในวรรณคดี [4], [11] (เช่น ร่วมการกรอง)

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอ RECATHON; บริบทตระหนักถึงระบบ recommender สร้างขึ้นทั้งหมดภายในระบบฐานข้อมูล แตกต่างจากระบบ recommender แบบดั้งเดิมที่มีบริบทที่พวกเขาสนับสนุนแบบสอบถามทั่วไปของภาพยนตร์แนะนำสำหรับผู้ใช้บางผู้ RECATHON สามารถขอคำแนะนำจากอายุของพวกเขา, สถานที่, เพศหรืออื่น ๆ ตามบริบท / ประชากรศาสตร์ / แอตทริบิวต์ผู้ใช้สิทธิพิเศษ ความท้าทายหลักของการสนับสนุนชนิดเช่น recommenders เป็นความยากลำบากในการตัดสินใจว่าจะสร้างคุณลักษณะ recommenders บน.

RECATHON อยู่กับความท้าทายนี้ตามที่สนับสนุนการสร้าง recommenders ในระบบฐานข้อมูลในลักษณะที่คล้ายคลึงกับการสร้างโครงสร้างดัชนี ผู้ใช้สามารถตัดสินใจที่จะสร้าง recommenders แอตทริบิวต์ที่เลือกเช่นอายุและ / หรือเพศและแล้วความบันเทิงให้การสนับสนุนที่มีประสิทธิภาพของ recommenders หลายมิติลักษณะที่เลือก RECATHON พนักงานโครงสร้างดัชนีหลายมิติสำหรับแต่ละ recommender สร้างที่สามารถเข้าถึงได้โดยใช้ขั้นตอนวิธีการดำเนินการนวนิยายแบบสอบถามเพื่อสนับสนุนการค้นคืนที่มีประสิทธิภาพสำหรับการค้นหา recommender ผลการทดลองบนพื้นฐานของต้นแบบที่แท้จริงของ RECATHON สร้างขึ้นภายใน PostgreSQL ใช้ MovieLens จริงและข้อมูล Foursquare แสดงให้เห็นว่า RECATHON การจัดแสดงนิทรรศการผลการดำเนินงานเวลาจริงสำหรับขนาดใหญ่คำแนะนำหลายมิติ.

เมื่อเร็ว ๆ นี้ระบบ recommender ได้จับความสนใจของนักวิจัยทั้งในอุตสาหกรรม [2] [7] [9] [19] และสถาบันการศึกษา [14] [13] [24] [28], [29] เป้าหมายหลักของระบบ recommender คือการแนะนำสินค้าใหม่และน่าสนใจให้กับผู้ใช้จากสระว่ายน้ำขนาดใหญ่ของรายการ ระบบให้คำแนะนำที่ถูกว่าจ้างโดยปริยายในชีวิตประจำวันที่จะแนะนำภาพยนตร์ (เช่น Netflix) หนังสือ / ผลิตภัณฑ์ (เช่น Amazon) เพื่อน (เช่น Facebook) และบทความข่าว (เช่น Google News) ระบบ recommender ใช้ประโยชน์จากความคิดเห็นของผู้ใช้ (เช่นการจัดอันดับภาพยนตร์) และ / หรือจัดซื้อ (เช่นการดูการอ่าน) ในประวัติศาสตร์เพื่อดึงชุดของรายการที่น่าสนใจสำหรับผู้ใช้แต่ละคน ในด้านเทคนิคขั้นตอนวิธีการข้อเสนอแนะที่จะเป็นการป้อนข้อมูลการตั้งค่าของผู้ใช้ U เป็นรายการที่ผมและการให้คะแนน (ประวัติศาสตร์ของความคิดเห็นของผู้ใช้) R และประมาณการ RecScore ฟังก์ชั่นยูทิลิตี้ (U ฉัน) ที่คาดการณ์เท่าใดผู้ใช้บาง U ∈ U อยากรายการฉัน∈ฉันเช่นที่ผมยังไม่ได้รับการเห็นแล้ว (หรือดูบริโภค ฯลฯ ) โดย u [4] ในการประมาณการดังกล่าวฟังก์ชั่นยูทิลิตี้อัลกอริทึมข้อเสนอแนะจำนวนมากได้รับการเสนอชื่อในวรรณคดี [4] [11] (เช่นความร่วมมือการกรอง)

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอ recathon ; บริบททราบแนะนำระบบที่สร้างขึ้นทั้งหมดในระบบฐานข้อมูล ซึ่งแตกต่างจากระบบแนะนำแบบดั้งเดิมที่มีบริบทที่พวกเขาสนับสนุนทั่วไปแบบสอบถามของแนะนำภาพยนตร์สำหรับผู้ใช้บาง ผู้ใช้ recathon สามารถขอแนะนำตามอายุ ตำแหน่ง เพศ หรืออื่น ๆตามบริบท / demographical / สิทธิพิเศษผู้ใช้คุณลักษณะ ความท้าทายหลักของการสนับสนุนเช่นชนิดของ recommenders คือความยากของการตัดสินใจว่า คุณลักษณะในการสร้าง recommenders บนrecathon ที่อยู่ท้าทายนี้มันสนับสนุนการสร้าง recommenders ระบบฐานข้อมูลในวิธีที่คล้ายคลึงกับอาคารโครงสร้างดัชนี ผู้ใช้สามารถตัดสินใจที่จะสร้าง recommenders บางคุณลักษณะ เช่น อายุ เพศ และ / หรือ แล้วเลี้ยงดูสนับสนุนที่มีประสิทธิภาพหลายมิติ recommenders บนเลือกแอตทริบิวต์ recathon ใช้ดัชนีโครงสร้างหลายมิติสำหรับแต่ละ สร้าง แนะนำว่า สามารถเข้าถึงได้โดยใช้ขั้นตอนวิธีการใหม่เพื่อสนับสนุนการค้นหาที่มีประสิทธิภาพสำหรับการแนะนำการสืบค้น ผลการทดลองตามต้นแบบจริงของ recathon สร้างภายใน PostgreSQL ใช้ movielens จริงและข้อมูลที่แสดงให้เห็นว่า recathon จัดแสดง Foursquare เวลาแสดงจริงขนาดใหญ่หลายมิติต่าง ๆเมื่อเร็วๆ นี้ แนะนำระบบได้คว้าความสนใจของนักวิจัยทั้งในอุตสาหกรรม [ 2 ] , [ 7 ] , [ 9 ] , [ 19 ] และวิชาการ [ 14 ] , [ 13 ] , [ 24 ] [ 28 ] [ 29 ] เป้าหมายหลักของระบบที่แนะนำคือการแนะนำสินค้าใหม่และน่าสนใจให้กับผู้ใช้จากสระว่ายน้ำขนาดใหญ่ของรายการ แนะนำระบบจะโดยปริยายใช้ในแต่ละวันเพื่อแนะนำภาพยนตร์ ( เช่น Netflix ) หนังสือ / ผลิตภัณฑ์ ( เช่น Amazon ) , เพื่อน ( เช่น Facebook ) และบทความ ( เช่น Google News ) ระบบแนะนำใช้ความคิดเห็นของผู้ใช้ ( เช่นการจัดอันดับภาพยนตร์ ) และ / หรือการซื้อ ( เช่น ดู อ่าน ประวัติ เพื่อดึงชุดของรายการที่น่าสนใจสำหรับผู้ใช้แต่ละคน ในแง่ทางเทคนิคแนะนำขั้นตอนวิธีการใช้ใส่ชุดของผู้ใช้ u , รายการ , และคะแนน ( ประวัติของความคิดเห็นของผู้ใช้ ) R และประมาณการฟังก์ชันอรรถประโยชน์ recscore ( U , I ) ที่คาดการณ์ว่าผู้ใช้บาง U ∈ u ต้องการรายการที่ฉัน∈ฉันเช่นที่ฉันได้อยู่แล้ว เห็น ( หรือดู , บริโภค , ฯลฯ ) โดย u [ 4 ] การประเมินเช่นฟังก์ชันอรรถประโยชน์และคำแนะนำมากมายที่ได้รับการเสนอในวรรณคดี [ 4 ] , [ 11 ] ( เช่นแบบกรอง )