Recommender systems systems apply d

Recommender systems systems apply data analysis techniques to the problem of helping users find the items they
would like to purchase at E-Commerce sites by producing a predicted likeliness score or a list of top–N recommended
items for a given user. Item recommendations can be made using different methods. Recommendations can be based
on demographics of the users, overall top selling items, or past buying habit of users as a predictor of future items.
Collaborative Filtering (CF) [19, 27] is the most successful recommendation technique to date. The basic idea of
CF-based algorithms is to provide item recommendations or predictions based on the opinions of other like-minded
users. The opinions of users can be obtained explicitly from the users or by using some implicit measures.

Memory-based Collaborative Filtering Algorithms Memory-based algorithms utilize the entire user-item
data-base to generate a prediction. These systems employ statistical techniques to find a set of users, known as
neighbors, that have a history of agreeing with the target user (i.e., they either rate different items similarly or they
tend to buy similar set of items). Once a neighborhood of users is formed, these systems use different algorithms
to combine the preferences of neighbors to produce a prediction or top-N recommendation for the active user. The
techniques, also known as nearest-neighbor or user-based collaborative filtering are more popular and widely used in
practice.

ผลลัพธ์ (ไทย) 1:

ผู้แนะนำระบบระบบใช้เทคนิคการวิเคราะห์ข้อมูลการช่วยผู้ใช้ค้นหาสินค้าเหล่านั้นต้องการซื้อที่เว็บไซต์อีคอมเมิร์ซ โดยผลิตคะแนนคาดการณ์ likeliness หรือรายการของด้านบน – N แนะนำสินค้าสำหรับผู้ใช้ที่กำหนด แนะนำสินค้าสามารถทำได้โดยใช้วิธี สามารถใช้คำแนะนำในลักษณะประชากร ของผู้ ใช้ ด้านบนโดยรวมขายสินค้า หรือที่ผ่าน มาซื้อนิสัยของผู้ใช้เป็นผู้ทายผลของสินค้าในอนาคตร่วมกรอง (CF) [19, 27] เป็นเทคนิคคำแนะนำประสบความสำเร็จมากที่สุดวันที่ ความคิดพื้นฐานของการอัลกอริทึมที่ใช้ CF คือการ ให้คำแนะนำสินค้าหรือคาดคะเนตามความเห็นของอื่น ๆ พบปะผู้ใช้ ความคิดเห็นของผู้ใช้สามารถได้รับอย่างชัดเจน จากผู้ใช้ หรือ โดยการใช้มาตรการบางนัยใช้หน่วยความจำร่วมกันกรองอัลกอริทึมจำตามอัลกอริทึมใช้ทั้งผู้ใช้สินค้า-ฐานข้อมูลเพื่อสร้างการคาดการณ์ ระบบเหล่านี้ใช้เทคนิคทางสถิติเพื่อค้นหาชุดของผู้ใช้ เป็นบ้าน ที่มีประวัติของเงื่อนไขกับผู้ใช้ปลายทาง (เช่น สินค้าอัตราใดอื่นทำนองเดียวกันพวกเขาหรือพวกเขามีแนวโน้มการ ซื้อสินค้าชุดคล้ายกัน) เมื่อย่านผู้มีรูปแบบ ระบบเหล่านี้ใช้อัลกอริทึมต่าง ๆการรวมลักษณะของบ้านการคาดเดาหรือ N ด้านบนแนะนำสำหรับผู้ที่ใช้งานอยู่ ที่เทคนิค หรือที่เรียกว่าใกล้บ้าน หรือผู้ใช้ที่ใช้ร่วมกันการกรองนิยมมากขึ้น และใช้กันอย่างแพร่หลายในปฏิบัติการ

ผลลัพธ์ (ไทย) 2:

ระบบระบบ Recommender ใช้เทคนิคการวิเคราะห์ข้อมูลในการแก้ไขปัญหาของการช่วยให้ผู้ใช้ค้นหารายการที่พวกเขา
ต้องการที่จะซื้อที่เว็บไซต์อีคอมเมิร์ซโดยการผลิตที่คาดการณ์คะแนนความชอบหรือรายการ top-N แนะนำ
รายการสำหรับผู้ใช้ที่ได้รับ คำแนะนำสินค้าสามารถทำได้โดยใช้วิธีการที่แตกต่างกัน ข้อเสนอแนะสามารถขึ้นอยู่
ในกลุ่มผู้เข้าชมของผู้ใช้โดยรวมรายการที่มียอดขายสูงสุดหรือที่ผ่านมานิสัยการซื้อของผู้ใช้เป็นปัจจัยบ่งชี้ของรายการในอนาคต.
กรองความร่วมมือ (CF) [19, 27] เป็นเทคนิคคำแนะนำที่ประสบความสำเร็จมากที่สุดในปัจจุบัน แนวคิดพื้นฐานของ
อัลกอริทึม CF-based คือการให้คำแนะนำสินค้าหรือการคาดการณ์บนพื้นฐานของความคิดเห็นของผู้ที่มีใจเดียวกันอื่น ๆ ที่
ผู้ใช้ ความคิดเห็นของผู้ใช้สามารถรับได้อย่างชัดเจนจากผู้ใช้หรือโดยการใช้มาตรการนัยบางอย่าง. หน่วยความจำที่ใช้ความร่วมมือการกรองขั้นตอนวิธีอัลกอริทึมที่ใช้หน่วยความจำใช้ประโยชน์จากการใช้งานรายการทั้งข้อมูลพื้นฐานในการสร้างการคาดการณ์ ระบบนี้ใช้เทคนิคทางสถิติเพื่อหาชุดของผู้ใช้ที่รู้จักในฐานะประเทศเพื่อนบ้านที่มีประวัติของการเห็นด้วยกับผู้ใช้เป้าหมาย (กล่าวคือพวกเขาทั้งสองรายการที่แตกต่างอัตราใกล้เคียงกันหรือพวกเขามีแนวโน้มที่จะซื้อชุดที่คล้ายกันของรายการ) เมื่อพื้นที่ใกล้เคียงของผู้ใช้มีรูปแบบระบบเหล่านี้ใช้ขั้นตอนวิธีการที่แตกต่างกันที่จะรวมการตั้งค่าของประเทศเพื่อนบ้านในการผลิตการทำนายหรือคำแนะนำด้านบน-N สำหรับผู้ใช้ที่ใช้งานอยู่ เทคนิคที่เรียกว่าเป็นเพื่อนบ้านใกล้ที่สุดหรือการกรองการทำงานร่วมกันของผู้ใช้ที่ใช้เป็นที่นิยมมากขึ้นและใช้กันอย่างแพร่หลายในการปฏิบัติ

ผลลัพธ์ (ไทย) 3:

แนะนำระบบใช้เทคนิคการวิเคราะห์ข้อมูลเพื่อปัญหาในการช่วยให้ผู้ใช้ค้นหาสินค้าพวกเขา
อยากซื้อที่เว็บไซต์อี - คอมเมิร์ซ โดยการผลิตคาดการณ์ likeliness คะแนนหรือรายการแนะนำ–ด้านบน n
รายการสำหรับให้ผู้ใช้ แนะนำรายการจะทำโดยใช้วิธีการที่แตกต่างกัน คำแนะนำสามารถใช้
ในประชากรของผู้ใช้โดยรวม ด้านการขายสินค้าหรือที่ผ่านมาซื้อนิสัยของผู้ใช้ได้ดีรายการในอนาคต .
) การกรอง ( CF ) [ 19 , 27 ] เป็นเทคนิคแนะนำที่ประสบความสำเร็จที่สุดในวันที่ แนวคิดพื้นฐานของ
CF ตามขั้นตอนวิธีเพื่อให้ข้อ แนะนำ หรือคาดคะเนตามความคิดเห็นของผู้ใช้ที่มีใจเดียวกัน
อื่น ๆ ความคิดเห็นของผู้ใช้ที่สามารถรับได้อย่างชัดเจน จากผู้ใช้ หรือ โดยการใช้มาตรการบางอย่างโดยปริยาย

หน่วยความจำที่ใช้ร่วมกันตามขั้นตอนวิธีการกรองหน่วยความจำขั้นตอนวิธีใช้ฐานข้อมูลผู้ใช้ทั้งหมดเพื่อสร้างรายการ
คาดการณ์ ระบบเหล่านี้ใช้เทคนิคทางสถิติเพื่อหาชุดของผู้ใช้ที่เรียกว่า
เพื่อนบ้านที่เคยเห็นด้วยกับผู้ใช้เป้าหมาย ( เช่น พวกเขาให้คะแนนสินค้าต่าง ๆ ในทำนองเดียวกันพวกเขา
มักจะซื้อชุดคล้ายของรายการ )เมื่อชุมชนของผู้ใช้มีรูปแบบระบบเหล่านี้ใช้ขั้นตอนวิธีที่แตกต่างกัน
รวมลักษณะของเพื่อนบ้านผลิตพยากรณ์หรือแนะนำ top-n สำหรับผู้ใช้ที่ใช้งานอยู่
เทคนิคที่เรียกว่า เพื่อนบ้านที่ใกล้ที่สุดหรือผู้ใช้กรองตามแบบที่นิยมมากขึ้นและใช้กันอย่างแพร่หลายใน
ซ้อม