The states correspond to each possi

The states correspond to each possible vote value.


In the network, each
item will have a set of parent items that are its best predictors. The conditional probability tables are represented by decision trees. The authors report better results for
this model than for several nearest-neighbors implementations over several datasets.
Hierarchical Bayesian Networks have also been used in several settings as a way
to add domain-knowledge for information filtering [78]. One of the issues with hierarchical Bayesian networks, however, is that it is very expensive to learn and update
the model when there are many users in it. Zhang and Koren [79] propose a varia-
tion over the standard Expectation-Maximization (EM) model in order to speed up
this process in the scenario of a content-based RS.

ผลลัพธ์ (ไทย) 1:

อเมริกาสอดคล้องกับแต่ละค่าคะแนนที่ได้ ในเครือข่าย แต่ละสินค้าจะมีชุดของรายการหลักที่ predictors ของดี ตารางความน่าเป็นแบบมีเงื่อนไขจะแสดง โดยต้นไม้ตัดสินใจ ผู้เขียนรายงานผลลัพธ์ที่ดีขึ้นสำหรับนี้รุ่นกว่าสำหรับการใช้งานใกล้บ้านต่าง ๆ ผ่าน datasets หลายเครือข่ายทฤษฎีลำดับชั้นยังใช้ในการตั้งค่าต่าง ๆ เป็นแบบการเพิ่มความรู้โดเมนสำหรับข้อมูล filtering [78] ประเด็นเครือข่ายทฤษฎีลำดับชั้น อย่างไรก็ตาม คือว่า มันแพงมากเพื่อเรียนรู้ และปรับปรุงรูปแบบเมื่อมีผู้ใช้หลายคนในนั้น จางและ Koren [79] เสนอ varia แบบสเตรชันมากกว่าแบบ Maximization ความคาดหวัง (EM) มาตรฐานรวดเร็วขึ้นกระบวนการนี้ในสถานการณ์ของ RS ที่ตามเนื้อหา

ผลลัพธ์ (ไทย) 2:

รัฐตรงกับค่าที่เป็นไปได้ออกเสียงลงคะแนนในแต่ละ. ในเครือข่ายแต่ละรายการจะมีชุดของรายการที่ผู้ปกครองที่มีการพยากรณ์ที่ดีที่สุด ตารางน่าจะเป็นเงื่อนไขที่เป็นตัวแทนด้วยต้นไม้ตัดสินใจ ผู้เขียนรายงานผลที่ดีกว่าสำหรับรุ่นนี้กว่าสำหรับการใช้งานหลายที่อยู่ใกล้ที่สุด-เพื่อนบ้านกว่าหลายชุดข้อมูล. เครือข่ายแบบเบย์ตามลำดับชั้นนอกจากนี้ยังมีการใช้ในการตั้งค่าหลายวิธีที่จะเพิ่มความรู้โดเมนสำหรับ ltering Fi ข้อมูล [78] หนึ่งในประเด็นที่มีเครือข่ายแบบเบย์ลำดับชั้น แต่เป็นที่ว่ามันแพงมากที่จะเรียนรู้และปรับปรุงรูปแบบเมื่อมีผู้ใช้หลายคนในนั้น Zhang และ Koren [79] เสนอ varia- การกว่ามาตรฐานความคาดหวัง-การเพิ่มประสิทธิภาพ (EM) แบบจำลองในการสั่งซื้อเพื่อเพิ่มความเร็วในกระบวนการนี้ในสถานการณ์ของอาร์เอสเนื้อหาตาม

ผลลัพธ์ (ไทย) 3:

รัฐสอดคล้องกับแต่ละที่สุดโหวตค่า



ในเครือข่ายแต่ละรายการจะมีชุดของรายการที่ถูกทำนายแม่ที่ดีที่สุดของ ตารางสาหร่ายไกจะแสดงโดยต้นไม้เพื่อการตัดสินใจ รายงานเขียนผลลัพธ์ที่ดีกว่าสำหรับ
รุ่นนี้มากกว่าหลายๆ เพื่อนบ้านที่ใกล้ที่สุดซึ่งมากกว่า
หลายชุดข้อมูลเครือข่ายแบบลำดับชั้นยังถูกใช้ในการตั้งค่าหลายเป็นวิธีที่จะเพิ่มความรู้โดเมนสำหรับข้อมูล
จึง ltering [ 78 ] หนึ่งในปัญหากับเครือข่ายแบบลำดับชั้น แต่คือว่า มันแพงมากที่จะเรียนรู้และปรับปรุง
รูปแบบเมื่อมีผู้ใช้หลายคนในนั้น จางและราก [ 79 ] เสนอ วาเรีย -
tion เหนือความคาดหวังสูงสุดมาตรฐาน ( EM ) รูปแบบเพื่อเพิ่มความเร็วในกระบวนการนี้

เนื้อหาสถานการณ์ของอาร์เอส