24.5.2.3 Finding Pareto optimal ite

24.5.2.3 Finding Pareto optimal item recommendations

This approach discovers several good items among large number of candidates
(rather than arriving at a unique solution by solving a global optimization problem) when different items can be associated with multiple conflicting criteria and
the total order on items is not directly available. Data envelopment analysis (DEA),
often also called “frontier analysis”, is commonly used to measure productive efficiency of decision making units (DMU) in operations research [13]. DEA computes
the efficiency frontier, which identifies the items that are “best performers” overall, taking into account all criteria. DEA does not require a priori weights for each
criterion, and uses linear programming to arrive more directly at the best set of
weights for each DMU. Specifically, in the context of multi-criteria recommender
systems, given all the candidate items that are available for recommendation to a
given user (including the information about their predicted ratings across all criteria), DEA would be able to determine the reduced set of items (i.e., the frontier) that
have best ratings across all criteria among the candidates. These items then can be
recommended to the user.
While DEA has not been directly used in multi-criteria rating recommenders, the
multi-criteria recommendation problem without overall ratings can also be formulated as a data query problem in the database field, using similar motivation [43].
Lee and Teng [43] utilize skyline queries to find the best restaurants across multiple criteria (i.e., food, d´ecor, service, and cost). As Fig. 24.3 shows, skyline queries

ผลลัพธ์ (ไทย) 1:

24.5.2.3 หา Pareto แนะนำสินค้าที่เหมาะสมวิธีการนี้พบหลายรายการดีจากจำนวนผู้สมัคร(แทนที่จะเดินทางมาถึงปัญหาเฉพาะโดยแก้ไขปัญหาปรับค่าส่วนกลาง) เมื่อสินค้าต่าง ๆ สามารถเชื่อมโยงกับหลาย conflicting เงื่อนไข และสั่งรวมกับสินค้าที่ไม่พร้อมใช้งานโดยตรง การวิเคราะห์เส้นห่อหุ้มข้อมูล (DEA),มักจะเรียกว่า "ชายแดนวิเคราะห์" โดยทั่วไปใช้วัด efficiency ประสิทธิภาพของหน่วยตัดสินใจ(บรรยายภาพรวม) ในการดำเนินงานวิจัย [13] DEA จะefficiency ชายแดน identifies ซึ่งสินค้าที่ "ดีที่สุดนักแสดง" โดยรวม เข้าบัญชีเกณฑ์ทั้งหมด DEA ต้อง priori มีน้ำหนักสำหรับแต่ละเกณฑ์ และใช้เส้นเขียนถึงเพิ่มเติมตรงที่ชุดสุดน้ำหนักสำหรับการบรรยายแต่ละภาพรวม Specifically ในบริบทของผู้แนะนำแบบหลายเงื่อนไขระบบ รับสินค้าผู้สมัครทั้งหมดที่พร้อมใช้งานสำหรับคำแนะนำเพื่อการให้ผู้ใช้ (รวมถึงข้อมูลเกี่ยวกับการจัดอันดับคาดการณ์ผ่านเกณฑ์ทั้งหมด), DEA จะสามารถรู้ได้ว่าชุดลดลงของสินค้า (เช่น ชายแดน) ที่มีการจัดอันดับดีที่สุดผ่านเกณฑ์ทั้งหมดระหว่างผู้สมัคร สินค้าเหล่านี้แล้วสามารถแนะนำให้ผู้ใช้ในขณะที่ DEA ไม่ตรงใช้ในการจัดอันดับหลายเงื่อนไข recommenders การปัญหาคำแนะนำหลายเงื่อนไข โดยจัดอันดับโดยรวมยังสามารถจะถูกกำหนดเป็นปัญหาสอบถามข้อมูลใน field ฐานข้อมูล ใช้แรงจูงใจที่คล้ายคลึงกัน [43]โหน่ง [43] และลีใช้สอบถามฟ้าไป find ร้านสุดข้ามหลายเงื่อนไข (เช่น อาหาร d´ecor บริการ และต้นทุน) เป็น 24.3 รัฐ Fig. แสดง ถามฟ้า

ผลลัพธ์ (ไทย) 2:

24.5.2.3 การหาคำแนะนำ Pareto รายการที่ดีที่สุดวิธีการนี้พบรายการที่ดีหลายประการในหมู่จำนวนมากของผู้สมัคร(มากกว่าที่เดินทางมาถึงวิธีการแก้ปัญหาที่ไม่ซ้ำกันโดยการแก้ปัญหาการเพิ่มประสิทธิภาพทั่วโลก) เมื่อรายการที่แตกต่างกันสามารถเชื่อมโยงกับหลายขัดแย้งเกณฑ์ icting และยอดสั่งซื้อในรายการ ที่ไม่สามารถใช้ได้โดยตรง การวิเคราะห์ข้อมูลห่อ (DEA) มักจะเรียกว่า "การวิเคราะห์ชายแดน" เป็นที่นิยมใช้ในการวัดประสิทธิภาพในการผลิต EF สายการตัดสินใจหน่วย (DMU) ในการวิจัยการดำเนินงาน [13] DEA คำนวณEF ชายแดนประสิทธิภาพในสายซึ่งระบุสาย es รายการที่ "นักแสดงที่ดีที่สุด" โดยรวมโดยคำนึงถึงเกณฑ์ทั้งหมด ปปสไม่จำเป็นต้องมีน้ำหนักเบื้องต้นสำหรับแต่ละเกณฑ์และการใช้โปรแกรมเชิงเส้นที่จะมาถึงตรงที่ชุดที่ดีที่สุดของน้ำหนักสำหรับแต่ละอย่า ไฟ speci ถอนรากถอนโคนในบริบทของเกณฑ์หลาย recommender ระบบให้ทุกรายการที่ผู้สมัครที่มีอยู่สำหรับคำแนะนำในการใช้งานที่กำหนด (รวมทั้งข้อมูลเกี่ยวกับการจัดอันดับที่คาดการณ์ของพวกเขาข้ามเกณฑ์ทั้งหมด) ดีอีเอจะสามารถที่จะตรวจสอบการตั้งค่าที่ลดลงของรายการ (เช่นชายแดน) ที่มีการจัดอันดับที่ดีที่สุดในเกณฑ์ทั้งหมดในหมู่ผู้สมัคร รายการเหล่านี้จากนั้นจะสามารถแนะนำให้ผู้ใช้. ในขณะที่อีเอยังไม่ได้ถูกนำมาใช้โดยตรงในเกณฑ์ที่หลาย Recommenders คะแนนตามเกณฑ์หลายปัญหาข้อเสนอแนะโดยไม่มีการจัดอันดับโดยรวมนอกจากนี้ยังสามารถสูตรเป็นปัญหาการค้นหาข้อมูลในภาคสนามฐานข้อมูลโดยใช้แรงจูงใจที่คล้ายกัน [43]. ลีและเต็ง [43] ใช้คำสั่งไปยังเส้นขอบฟ้าสายอันดับร้านอาหารที่ดีที่สุดในหลายเกณฑ์ (เช่นอาหาร d'ecor บริการและค่าใช้จ่าย) ในฐานะที่เป็นรูป 24.3 แสดงให้เห็นว่าคำสั่งของเส้นขอบฟ้า

ผลลัพธ์ (ไทย) 3:

การค้นหาที่ 24.5.2.3 โตรายการแนะนำ

วิธีการนี้พบว่าหลายรายการที่ดีในหมู่จำนวนมากของผู้สมัคร
( แทนที่จะมาถึงโซลูชั่นโดยการแก้ปัญหาการเพิ่มประสิทธิภาพทั่วโลก ) เมื่อรายการที่แตกต่างกันสามารถเชื่อมโยงกับหลายคอนfl icting เกณฑ์และ
คำสั่งซื้อทั้งหมดในรายการที่ไม่สามารถใช้ได้โดยตรง การวิเคราะห์วางกรอบข้อมูล ( DEA )
มักจะเรียกว่า " การวิเคราะห์ " แดนนิยมใช้วัดประสิทธิภาพประสิทธิผล EF จึงตัดสินใจหน่วย ( อย่าอยู่ ) ในการดำเนินการวิจัย [ 13 ] คำนวณประสิทธิภาพ DEA
EF จึงชายแดน ซึ่ง identi จึงและสินค้าที่ดีที่สุด " นักแสดง " โดยคำนึงถึงเกณฑ์ทั้งหมด ดีไม่ต้องใช้ a priori น้ำหนักแต่ละ
เกณฑ์และการใช้โปรแกรมเชิงเส้นที่จะมาถึงโดยตรงในชุดที่ดีที่สุดของ
น้ำหนักแต่ละอย่าอยู่ . กาจึงคอลลี่ ในบริบทของหลายเกณฑ์แนะนำ
ระบบรับรายการผู้สมัครทั้งหมดที่พร้อมใช้งานสำหรับการแนะนำ เพื่อให้ผู้ใช้
( รวมถึงข้อมูลเกี่ยวกับของพวกเขาคาดการณ์คะแนนผ่านเกณฑ์ทั้งหมด ) , DEA จะสามารถตรวจสอบการตั้งค่าของรายการ ( เช่นชายแดน ) ที่ได้คะแนนผ่านเกณฑ์ทั้งหมด
ที่ดีที่สุดของผู้สมัคร รายการเหล่านี้จากนั้นจะสามารถแนะนำให้ผู้ใช้
.
ในขณะที่ DEA ไม่ได้ถูกใช้โดยตรงในเกณฑ์การประเมินหลาย recommenders ,
หลายเกณฑ์แนะนำปัญหาโดยไม่มีคะแนนโดยรวมยังสามารถกำหนดเป็นข้อมูลแบบสอบถามปัญหาในฐานข้อมูลจึงคล้ายละมั่ง โดยใช้แรงจูงใจ [ 43 ] .
ลีและเต็ง [ 43 ] ใช้เส้นขอบฟ้า แบบสอบถามจึงและร้านอาหารที่ดีที่สุดในหลายเกณฑ์ เช่น อาหาร ดี ใหม่ ecor การบริการ และต้นทุน ) - เป็นรูปแสดงแบบสอบถาม
เส้นขอบฟ้า