Collaborative filtering (CF) [6] ap

Collaborative filtering (CF) [6] approach is further classified as Memory-based CF and Model-based CF. Memory-based CF systems utilize the entire user-item rating dataset to generate the predictions. These systems employ statistical techniques to find a set of users known as neighbors whose past behavior was similar to the target user. After identifying the neighborhood of users, these systems use different algorithms to combine the preferences of neighbors to compute suggestions for the active user [15]. In contrast, Model-based CF approach partitions the whole dataset into training and test dataset. The different users in the training database are then clustered into groups based on their rating patterns to build the model. Various machine learning algorithms like Bayesian network [12], clustering algorithms [27] etc are used in literature for building the model. Consequently the trained model is used to generate recommendations for the target user. Though conventional clustering algorithms like K-means are simple and take less time in clustering large datasets, they have good probability of getting trapped in the local optima. To overcome this problem evolutionary algorithm and swarm intelligence techniques are explored for developing recommender systems like Particle Swarm Optimization (PSO) [24] algorithm was employed to learn personal preferences of users and provide tailored suggestions. This system performed better than genetic algorithm (GA) and the Pearson algorithm based recommender system. Another recommender system based on the collaborative behavior of ants [4] outperformed traditional collaborative filtering based recommender systems. Genetic algorithm-based approach [16] has been utilized to determine the weight value of each feature of a customer. This approach revealed better performance on recommendation effect. In another application Genetic algorithm [14] has been used to group users based on products categorized by Naïve Bayes classifier. Subsequently the web documents were recommended to the user, based on grouped user preferences and information of categorized items. The application of GA K-means [13] to a real-world online shopping market segmentation case exhibited that GA K-means clustering performed better as compared to K-means clustering and self-organizing maps (SOM). However in the recent years hybrid evolutionary algorithms like Genetic algorithms integrating local search are gaining popularity over the simple evolutionary algorithms (EAs). These are known as Memetic Algorithms, Baldwinian EAs, Lamarckian EAs, cultural algorithms or genetic local search in the literature.

ผลลัพธ์ (ไทย) 1:

(CF) [6] วิธีกรองร่วมถูกจัดประเภทเป็น CF ตามหน่วยความจำเพิ่มเติม และระบบตามแบบจำลอง CF ตามหน่วยความจำมัทธิวใช้ชุดข้อมูลการจัดอันดับรายการผู้ใช้ทั้งหมดเพื่อสร้างการคาดคะเน ระบบเหล่านี้ใช้เทคนิคทางสถิติเพื่อค้นหาชุดของผู้ใช้ที่รู้จักกันเป็นเพื่อนบ้านที่ทำงานผ่านมาผู้ใช้เป้าหมาย หลังจากระบุย่านของผู้ใช้ ระบบเหล่านี้ใช้อัลกอริทึมต่าง ๆ เพื่อรวมลักษณะของบ้านจะคำนวณคำแนะนำสำหรับผู้ใช้งาน [15] ในทางตรงกันข้าม CF รุ่นใช้วิธีกั้นชุดข้อมูลทั้งหมดในชุดข้อมูลฝึกอบรมและทดสอบ ผู้ใช้อื่นในฐานข้อมูลการฝึกอบรมโดยทั่วไปแล้วจับกลุ่มเป็นกลุ่มตามรูปแบบการจัดอันดับของพวกเขาในการสร้างแบบจำลอง อัลกอริทึมการเรียนรู้ของเครื่องต่าง ๆ เช่นทฤษฎีเครือข่าย [12] อัลกอริทึมระบบคลัสเตอร์เป็นต้น [27] ใช้ในวรรณคดีสำหรับการสร้างแบบจำลอง ดังนั้น แบบฝึกจะใช้เพื่อสร้างคำแนะนำสำหรับผู้ใช้เป้าหมาย แม้ว่าอัลกอริทึมระบบคลัสเตอร์แบบเดิมเช่นวิธีการ K จะง่าย และใช้เวลาน้อยในคลัสเตอร์ datasets ขนาดใหญ่ พวกเขาได้ดีน่าเป็นการติดอยู่ในพติท้องถิ่น จะเอาชนะนี้ปัญหาวิวัฒนาการอัลกอริทึม และความฉลาดที่มีสำรวจเทคนิคสำหรับการพัฒนาระบบผู้แนะนำเช่นอนุภาคฝูงเพิ่มประสิทธิภาพ (PSO) [24] แบบกลุ่มอัลกอริทึมที่จ้างบุคคลผู้เรียนรู้ และให้คำแนะนำและปรับ ระบบนี้ทำดีกว่าอัลกอริทึมทางพันธุกรรม (GA) และอัลกอริทึมเพียร์สันโดยใช้ระบบผู้แนะนำ ผู้แนะนำระบบอื่นขึ้นอยู่กับลักษณะการทำงานร่วมกันของมด [4] outperformed ดั้งเดิมร่วมกรองผู้แนะนำตามระบบ วิธีการทางพันธุกรรมโดยใช้อัลกอริทึม [16] ได้ถูกใช้เพื่อกำหนดค่าน้ำหนักของแต่ละคุณลักษณะของลูกค้า วิธีการนี้เปิดเผยประสิทธิภาพในลักษณะแนะนำ ในโปรแกรมประยุกต์อื่น มีการขั้นตอนวิธีพันธุกรรม [14] ใช้เพื่อผู้ใช้กลุ่มตามผลิตภัณฑ์แบ่งตาม classifier Bayes ขำน่า ในเวลาต่อมาเอกสารเว็บคำแนะนำกับผู้ใช้ การกำหนดลักษณะผู้ใช้จัดกลุ่มและข้อมูลของสินค้าประเภท โปรแกรมประยุกต์ GA [13] K-หมายถึงจริงออนไลน์ช้อปปิ้งตลาดแบ่งกรณีจัดแสดงคลัสเตอร์ที่ GA K-วิธีดำเนินการดีขึ้นเมื่อเทียบกับ K-วิธีคลัสเตอร์ และจัดระเบียบตนเองแผนที่ (ส้ม) อย่างไรก็ตาม ในไฮบริดปี อัลกอริทึมวิวัฒนาการเช่นอัลกอริทึมทางพันธุกรรมรวมค้นหาท้องถิ่นจะได้รับความนิยมมากกว่ากระบวนการวิวัฒนาการอย่าง (EAs) เหล่านี้จะเรียกว่าอัลกอริ ทึมขั้น Baldwinian EAs, Lamarckian EAs อัลกอริทึมทางวัฒนธรรม หรือค้นหาเฉพาะทางพันธุกรรมในวรรณคดี

ผลลัพธ์ (ไทย) 2:

กรองความร่วมมือ (CF) [6] เป็นวิธีการแยกเป็นหน่วยความจำที่ใช้ CF และรุ่นที่ใช้ CF. หน่วยความจำที่ใช้ระบบ CF ใช้ชุดข้อมูลที่คะแนนผู้ใช้รายการทั้งหมดในการสร้างการคาดการณ์ ระบบนี้ใช้เทคนิคทางสถิติเพื่อหาชุดของผู้ใช้ที่รู้จักในฐานะประเทศเพื่อนบ้านที่มีพฤติกรรมที่ผ่านมามีความคล้ายคลึงกับผู้ใช้เป้าหมาย หลังจากระบุพื้นที่ใกล้เคียงของผู้ใช้ระบบเหล่านี้ใช้ขั้นตอนวิธีการที่แตกต่างกันที่จะรวมการตั้งค่าของประเทศเพื่อนบ้านในการคำนวณข้อเสนอแนะสำหรับผู้ใช้ที่ใช้งานอยู่ [15] ในทางตรงกันข้ามวิธี CF Model-จากพาร์ทิชันชุดข้อมูลทั้งในการฝึกอบรมและชุดทดสอบ ผู้ใช้ที่แตกต่างกันในฐานข้อมูลการฝึกอบรมเป็นคลัสเตอร์แล้วออกเป็นกลุ่มตามรูปแบบการจัดอันดับของพวกเขาในการสร้างแบบจำลอง ขั้นตอนวิธีการเรียนรู้ของเครื่องต่างๆเช่นเครือข่ายแบบเบย์ [12] ขั้นตอนวิธีการจัดกลุ่ม [27] ​​ฯลฯ ที่ใช้ในวรรณคดีสำหรับการสร้างแบบจำลอง ดังนั้นรูปแบบการฝึกอบรมจะใช้ในการสร้างข้อแนะนำสำหรับผู้ใช้เป้าหมาย แม้ว่าขั้นตอนวิธีการจัดกลุ่มเดิมเช่น K-วิธีที่ง่ายและใช้เวลาน้อยลงในการจัดกลุ่มชุดข้อมูลขนาดใหญ่ที่พวกเขามีความน่าจะเป็นที่ดีของการติดอยู่ในที่ดีที่สุดในท้องถิ่น ที่จะเอาชนะปัญหานี้ขั้นตอนวิธีวิวัฒนาการและเทคนิคปัญญาฝูงมีการสำรวจสำหรับการพัฒนาระบบ recommender เช่นอนุภาค Swarm Optimization (PSO) [24] อัลกอริทึมถูกจ้างมาเพื่อเรียนรู้ความชอบส่วนบุคคลของผู้ใช้และให้คำแนะนำการปรับแต่ง ระบบนี้จะทำได้ดีกว่าขั้นตอนวิธีทางพันธุกรรม (GA) และอัลกอริทึมที่ใช้ระบบเพียร์สันผู้แนะนำ ระบบ recommender อีกขึ้นอยู่กับพฤติกรรมการทำงานร่วมกันของมด [4] เฮงกรองการทำงานร่วมกันแบบดั้งเดิมที่ใช้ระบบ recommender วิธีการอัลกอริทึมที่ใช้ทางพันธุกรรม [16] ได้ถูกนำมาใช้ในการกำหนดมูลค่าน้ำหนักของคุณสมบัติของลูกค้าแต่ละคน วิธีการนี​​้จะเผยให้เห็นประสิทธิภาพที่ดีขึ้นจากผลของคำแนะนำ ในการประยุกต์ใช้ขั้นตอนวิธีทางพันธุกรรมอื่น [14] ถูกนำมาใช้กับผู้ใช้กลุ่มขึ้นอยู่กับผลิตภัณฑ์แบ่งตามNaïve Bayes ลักษณนาม ต่อมาเอกสารเว็บถูกแนะนำให้กับผู้ใช้ตามความต้องการของผู้ใช้จัดกลุ่มและข้อมูลของรายการที่จัดหมวดหมู่ การประยุกต์ใช้ K-GA วิธี [13] เพื่อช้อปปิ้งออนไลน์โลกแห่งความจริงกรณีการแบ่งส่วนตลาดการจัดแสดงที่ GA-K หมายถึงการจัดกลุ่มดำเนินการที่ดีขึ้นเมื่อเทียบกับ K หมายถึงการจัดกลุ่มและแผนที่การจัดระเบียบตัวเอง (SOM) อย่างไรก็ตามในปีที่ผ่านมาขั้นตอนวิธีวิวัฒนาการไฮบริดเช่นขั้นตอนวิธีทางพันธุกรรมการบูรณาการการค้นหาในท้องถิ่นที่กำลังได้รับความนิยมในช่วงขั้นตอนวิธีวิวัฒนาการง่าย (EAS) เหล่านี้เรียกว่าอัลกอริทึม Memetic, EAs Baldwinian, EAs Lamarckian อัลกอริทึมวัฒนธรรมหรือการค้นหาในท้องถิ่นทางพันธุกรรมในวรรณคดี

ผลลัพธ์ (ไทย) 3:

แบบกรอง ( CF ) [ 6 ] วิธีต่อไปคือจัดเป็นนางแบบโฆษณา และใช้หน่วยความจำหน่วยความจำที่ใช้ CF CF ตามรายการผู้ใช้ระบบใช้ทั้งการประเมินข้อมูลเพื่อสร้างการคาดการณ์ . ระบบเหล่านี้ใช้เทคนิคทางสถิติเพื่อหาชุดของผู้ใช้เรียกว่าอดีตเพื่อนบ้านที่มีพฤติกรรมคล้ายกับผู้ใช้เป้าหมาย . หลังจากที่การระบุชุมชนของผู้ใช้ระบบเหล่านี้ใช้ขั้นตอนวิธีที่แตกต่างกันเพื่อรวมลักษณะของบ้านเพื่อหาข้อเสนอแนะสำหรับการใช้งานผู้ใช้ [ 15 ] ในทางตรงกันข้าม ใช้รูปแบบวิธีการพาร์ทิชันข้อมูลโฆษณาทั้งในการฝึกอบรมและทดสอบข้อมูล . ผู้ใช้ที่แตกต่างกันในการฝึกอบรมฐานข้อมูล แล้วกระจายออกเป็นกลุ่มตามรูปแบบการประเมินของพวกเขาที่จะสร้างแบบจำลองอัลกอริทึมการเรียนรู้แบบเครื่องต่าง ๆเช่นเครือข่าย [ 12 ] , การจัดกลุ่มขั้นตอนวิธี [ 27 ] ฯลฯ มีการใช้ในวรรณกรรมเพื่อสร้างแบบจำลอง ดังนั้น แบบฝึกที่ใช้ในการสร้างคำแนะนำสำหรับผู้ใช้เป้าหมาย แม้ว่าปกติการจัดกลุ่มขั้นตอนวิธีแบบ k-means จะง่ายและใช้เวลาน้อยลงในการจัดกลุ่มข้อมูลขนาดใหญ่พวกเขามีความน่าจะเป็นที่ดีของการติดกับดักใน Optima ท้องถิ่น ที่จะเอาชนะปัญหานี้วิวัฒนาการอัลกอริทึมและเทคนิคมหาวิหารเซียนาเป็นสำรวจเพื่อพัฒนาระบบที่เหมาะสมแนะนำเหมือนฝูงอนุภาค ( PSO ) [ 24 ] ขั้นตอนวิธีใช้เพื่อเรียนรู้ส่วนบุคคลการตั้งค่าของผู้ใช้และให้ปรับคำแนะนำระบบนี้ใช้ดีกว่าขั้นตอนวิธีเชิงพันธุกรรม ( GA ) และค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สันโดยใช้ขั้นตอนวิธีการแนะนำระบบ แนะนำระบบอื่นตามแบบพฤติกรรมของมด [ 4 ] ในการกรองแบบใช้ร่วมกันแนะนำระบบ ขั้นตอนวิธีเชิงพันธุกรรม วิธีการที่ใช้ [ 16 ] ได้ถูกใช้เพื่อกำหนดน้ำหนักของแต่ละคุณลักษณะที่คุณค่าของลูกค้าวิธีการประเมินประสิทธิภาพที่ดีขึ้นแนะนำผล ในโปรแกรมประยุกต์อื่นขั้นตอนวิธีทางพันธุกรรม [ 14 ] ได้ถูกใช้ในกลุ่มผู้ใช้บนพื้นฐานของผลิตภัณฑ์ประเภทโดย na ไตได้ Bayes ลักษณนาม ต่อมาเอกสารเว็บแนะนำให้ผู้ใช้ จากผู้ใช้การตั้งค่าและข้อมูลหมวดหมู่สินค้ากลุ่มการประยุกต์ใช้ GA k-means [ 13 ] กับโลกแห่งความจริง ช้อปปิ้งออนไลน์ การแบ่งส่วนตลาด กรณีพบว่า GA k-means clustering แสดงดีกว่าเมื่อเทียบกับ k-means clustering และบนแผนที่ ( SOM ) อย่างไรก็ตามในปีที่ผ่านมาไฮบริดขั้นตอนวิธีเชิงวิวัฒนาการเช่นการค้นหาขั้นตอนวิธีเชิงพันธุกรรมท้องถิ่นจะได้รับความนิยมมากกว่าวิขั้นตอนวิธีเชิงวิวัฒนาการ ( EAS )เหล่านี้จะเรียกว่าอัลกอริทึม มีม baldwinian EAS EAS lamarckian ขั้นตอนวิธี หรือวัฒนธรรมท้องถิ่นทางพันธุกรรมในวรรณคดี