Recommendation systems produce a ra

Recommendation systems produce a ranked list of items on which a user might be interested, in the context of her current choice of an item. Recommendation systems are built for movies, books, communities, news, articles etc. There are two main approaches to build a recommendation system - collaborative filtering and content based [3]. Collaborative filtering computes similarity between two users based on their rating profile, and recommends items which are highly rated by similar users. However, quality of collaborative filtering suffers in case of sparse preference databases. Content based system on the other hand does not use any preference data and provides recommendation directly based on similarity of items. Similarity is computed based on item attributes using appropriate distance measures. We attempt to hybridize collaborative filtering and content based recommendation for circumventing the difficulties of these individual approaches. Item similarity measure used in content based recommendation is learned from a collaborative social network of users.
Some previous attempts at integrating collaborative filtering and content based approach include content boosted collaborative filtering [3], weighted, mixed, switching and feature combination of different types of recommender system [2]. But none of these talks about producing recommendation to a user without getting her preferences. We demonstrate the effectiveness of the proposed system for recommending movies in Internet Movie Database (IMDB) [1]. From the results it is seen that our recommendation is quite in agreement with IMDB recommendation.

ผลลัพธ์ (ไทย) 2:

ระบบคำแนะนำการผลิตรายการการจัดอันดับของรายการที่ผู้ใช้อาจจะสนใจในบริบทของทางเลือกของเธอในปัจจุบันของรายการ ระบบคำแนะนำที่ถูกสร้างขึ้นสำหรับภาพยนตร์, หนังสือ, ชุมชน, ข่าวบทความ ฯลฯ มีสองวิธีหลักในการสร้างระบบข้อเสนอแนะที่เป็น - ความร่วมมือและการกรองเนื้อหาตาม [3] กรองความร่วมมือคำนวณความคล้ายคลึงกันระหว่างสองผู้ใช้ขึ้นอยู่กับรายละเอียดการจัดอันดับของพวกเขาและแนะนำรายการที่ได้รับการประเมินอย่างสูงจากผู้ใช้ที่คล้ายกัน แต่คุณภาพของการกรองการทำงานร่วมกันที่ทนทุกข์ทรมานในกรณีของฐานข้อมูลการตั้งค่าเบาบาง ตามระบบเนื้อหาบนมืออื่น ๆ ที่ไม่ได้ใช้ข้อมูลการตั้งค่าใด ๆ และให้คำแนะนำที่ตรงตามความคล้ายคลึงกันของรายการ ความคล้ายคลึงกันคือการคำนวณขึ้นอยู่กับรายการคุณลักษณะการใช้มาตรการระยะที่เหมาะสม เราพยายามที่จะผสมพันธุ์กรองร่วมกันและเนื้อหาตามคำแนะนำเพื่อหลีกเลี่ยงความยากลำบากของวิธีการเหล่านี้แต่ละ รายการวัดความคล้ายคลึงใช้ในเนื้อหาตามคำแนะนำจะได้เรียนรู้จากเครือข่ายสังคมการทำงานร่วมกันของผู้ใช้.
บางคนพยายามก่อนหน้านี้ที่บูรณาการการทำงานร่วมกันและการกรองเนื้อหาตามวิธีการรวมเนื้อหาเพิ่มขึ้นการกรองการทำงานร่วมกัน [3] ถ่วงน้ำหนักผสมสลับและมีการรวมกันของประเภทที่แตกต่างกันของ ระบบ recommender [2] แต่ไม่มีการพูดคุยเกี่ยวกับการผลิตเหล่านี้ข้อเสนอแนะให้กับผู้ใช้โดยไม่ได้รับการตั้งค่าของเธอ เราแสดงให้เห็นถึงประสิทธิภาพของระบบที่นำเสนอสำหรับแนะนำภาพยนตร์ในฐานข้อมูลภาพยนตร์อินเทอร์เน็ต (ไอเอ็ม) [1] จากผลการศึกษาจะเห็นว่าข้อเสนอแนะของเราค่อนข้างเห็นด้วยกับคำแนะนำของไอเอ็ม

ผลลัพธ์ (ไทย) 3:

ระบบแนะนำผลิตรายชื่อของรายการที่ผู้ใช้อาจจะสนใจในบริบทของทางเลือกของเธอในตอนนี้ของรายการ ระบบการแนะนำที่ถูกสร้างขึ้นสำหรับภาพยนตร์ , หนังสือ , ชุมชน , ข่าว บทความ ฯลฯ มีสองวิธีหลักในการสร้างระบบความร่วมมือและการกรองเนื้อหาตาม [ 3 ] แนะนำการกรองแบบคำนวณความคล้ายคลึงกันระหว่างสองผู้ใช้ขึ้นอยู่กับการประเมินรายละเอียดของพวกเขาและแนะนำสินค้าที่มีการจัดอันดับสูงโดยผู้ใช้ที่คล้ายคลึงกัน อย่างไรก็ตาม คุณภาพของการกรองทนทุกข์ทรมานร่วมกันในกรณีของฐานข้อมูลการตั้งค่าป่าโปร่ง เนื้อหาตามระบบในมืออื่น ๆที่ไม่ได้ใช้ใด ๆ ความต้องการข้อมูลและให้คำแนะนำโดยตรงจากความคล้ายคลึงกันของรายการความเหมือนจะคำนวณตามรายการคุณลักษณะการใช้มาตรการระยะที่เหมาะสม เราพยายามที่จะผสมและกรองและข้อเสนอแนะตามเนื้อหาเพื่อหลีกเลี่ยงปัญหาของวิธีการที่บุคคลเหล่านี้ รายการที่ใช้ในเนื้อหาตามความเหมือนวัดแนะนำเรียนจากความร่วมมือเครือข่ายทางสังคมของผู้ใช้
บางคนพยายามก่อนหน้านี้ในการบูรณาการร่วมกันและวิธีการที่ใช้กรองเนื้อหารวมถึงเนื้อหาที่เพิ่มขึ้นร่วมกันกรอง [ 3 ] , น้ำหนัก , ผสม , การเปลี่ยนและคุณลักษณะการรวมกันของชนิดที่แตกต่างกันของระบบที่แนะนำ [ 2 ] แต่ไม่มีการเจรจาเรื่องการผลิตให้คำแนะนำผู้ใช้โดยไม่ได้รับความชอบของเธอเราแสดงให้เห็นถึงประสิทธิภาพของระบบแนะนำภาพยนตร์ในฐานข้อมูลภาพยนตร์อินเทอร์เน็ต ( IMDB ) [ 1 ] จากผลการทดลองจะเห็นได้ว่าคำแนะนำของเราค่อนข้างเห็นด้วยกับข้อเสนอแนะ imdb .