Item–item collaborative filtering w

Item–item collaborative filtering was first described in the literature by Sarwar et al. [130] and Karypis [71], although a version of it seems to have been used by Amazon.com at this time [87]. Rather than using similarities between users’ rating behavior to predict preferences, item– item CF uses similarities between the rating patterns of items. If two items tend to have the same users like and dislike them, then they are similar and users are expected to have similar preferences for similar items. In its overall structure, therefore, this method is similar to earlier content-based approaches to recommendation and personalization, but item similarity is deduced from user preference patterns rather than extracted from item data.
In its raw form, item–item CF does not fix anything: it is still neces- sary to find the most similar items (again solving the k-NN problem) to generate predictions and recommendations. In a system that has more users than items, it allows the neighborhood-finding to be amongst the smaller of the two dimensions, but this is a small gain. It provides major performance gains by lending itself well to pre-computing the similarity matrix.
As a user rates and re-rates items, their rating vector will change along with their similarity to other users. Finding similar users in advance is therefore complicated: a user’s neighborhood is determined not only by their ratings but also by the ratings of other users, so their neighborhood can change as a result of new ratings supplied by any user in the system. For this reason, most user–user CF systems find neighborhoods at the time when predictions or recommendations are needed.

ผลลัพธ์ (ไทย) 1:

รายการ – รายการกรองร่วมกันครั้งแรกอธิบายไว้ในวรรณคดี โดย Sarwar et al. [130] และ Karypis [71], แม้ว่ารุ่นของมันดูเหมือนว่าจะถูกใช้ โดย Amazon.com ในเวลานี้ [87] แทนที่จะใช้ความคล้ายคลึงกันระหว่างผู้ประเมินพฤติกรรมทำนายลักษณะ CF สินค้า – สินค้าใช้ความคล้ายคลึงกันระหว่างรูปแบบการจัดอันดับของรายการ หากสองรายการมีแนวโน้ม มีเหมือน ผู้ใช้ชอบ และไม่ชอบพวกเขา แล้วพวกเขาคล้าย และผู้คาดว่าจะมีลักษณะคล้ายกันสำหรับรายการที่คล้ายกัน ในโครงสร้างทั้งหมด ดังนั้น วิธีนี้จะคล้ายกับวิธีตามเนื้อหาก่อนหน้านี้แนะนำการตั้งค่าส่วนบุคคล แต่ความคล้ายคลึงกันของสินค้าคือซึ่งสามารถกล่าวได้จากรูปแบบการกำหนดลักษณะผู้ใช้ มากกว่าสกัดจากข้อมูลสินค้าในรูปแบบดิบ CF สินค้า – สินค้าไม่สามารถแก้ไขอะไร: ก็ยังคงซารีจาเป็นเพื่อหารายการคล้ายคลึงกันมากที่สุด (อีกแก้ปัญหา k-NN) เพื่อสร้างการคาดการณ์และคำแนะนำ ในระบบ ที่มีผู้ใช้มากขึ้นกว่ารายการ ให้หาย่านเพื่อเป็นหนึ่งในสองขนาดเล็ก แต่นี้เป็นการเพิ่มขนาดเล็ก มีประสิทธิภาพที่สำคัญ โดยให้ยืมตัวเองด้วยการคำนวณเมทริกซ์ความคล้ายคลึงกันก่อนเป็นผู้ใช้ราคาถูก และราคาสินค้าใหม่ เวกเตอร์อันดับของพวกเขาจะเปลี่ยนพร้อมกับความคล้ายคลึงกันของผู้ใช้อื่น ๆ ค้นหาผู้ใช้ที่คล้ายกันล่วงหน้าดังนั้นมีความซับซ้อน: ย่านของผู้ใช้จะถูกกำหนด โดยการจัดอันดับโดยอันดับของผู้ใช้อื่น ๆ แต่ยังไม่เพียงเพื่อให้สามารถเปลี่ยนละแวกบ้านของตนเป็นผลมาจากการจัดอันดับใหม่ให้มา โดยผู้ใช้ใด ๆ ในระบบ ด้วยเหตุนี้ ระบบ CF ผู้ใช้ – ผู้ใช้ส่วนใหญ่พบย่านในเวลาเมื่อต้องคาดคะเนหรือแนะนำ

ผลลัพธ์ (ไทย) 2:

รายการรายการกรองการทำงานร่วมกันเป็นครั้งแรกในวรรณคดีโดยโฉบ et al, [130] และ Karypis [71] แม้ว่ารุ่นของมันดูเหมือนว่าจะมีการใช้โดย Amazon.com ในขณะนี้ [87] แทนที่จะใช้ความคล้ายคลึงกันระหว่างพฤติกรรมการให้คะแนนของผู้ใช้ในการทำนายค่า CF รายการ item- ใช้ความคล้ายคลึงกันระหว่างรูปแบบการจัดอันดับของรายการ หากทั้งสองรายการมีแนวโน้มที่จะมีผู้ใช้เดียวกันชอบและไม่ชอบพวกเขาแล้วพวกเขาก็มีความคล้ายคลึงและผู้ใช้ที่คาดว่าจะมีการตั้งค่าที่คล้ายกันสำหรับรายการที่คล้ายกัน ในโครงสร้างโดยรวมดังนั้นวิธีการนี้จะคล้ายกับวิธีการตามเนื้อหาก่อนหน้านี้เพื่อให้คำแนะนำและส่วนบุคคล แต่คล้ายคลึงกันรายการจะอนุมานได้จากรูปแบบการตั้งค่าของผู้ใช้มากกว่าที่สกัดจากข้อมูลรายการ.
ในรูปแบบดิบของ CF รายการรายการไม่สามารถแก้ไข อะไร: ก็ยังคงเป็น Sary neces- เพื่อค้นหารายการที่คล้ายกันมากที่สุด (อีกครั้งการแก้ปัญหา K-NN) เพื่อสร้างการคาดการณ์และข้อเสนอแนะ ในระบบที่มีผู้ใช้มากกว่ารายการจะช่วยให้ย่านค้นพบจะเป็นหมู่ขนาดเล็กของทั้งสองมิติ แต่นี้เป็นได้ขนาดเล็ก จะให้เพิ่มประสิทธิภาพการทำงานที่สำคัญโดยให้ยืมตัวดีเพื่อก่อนการคำนวณเมทริกซ์คล้ายคลึงกัน.
ในฐานะที่เป็นผู้ใช้อัตราและรายการอีกครั้งอัตราค่าเวกเตอร์ให้คะแนนของพวกเขาจะเปลี่ยนไปพร้อมกับความคล้ายคลึงกันของพวกเขาให้กับผู้ใช้อื่น ๆ ค้นหาผู้ใช้งานที่คล้ายกันล่วงหน้าดังนั้นจึงเป็นเรื่องที่ซับซ้อน: เขตของผู้ใช้จะถูกกำหนดโดยไม่เพียง แต่การจัดอันดับของพวกเขา แต่ยังตามการจัดอันดับของผู้ใช้อื่น ๆ เพื่อให้พื้นที่ใกล้เคียงของพวกเขาสามารถเปลี่ยนเป็นผลมาจากการจัดอันดับใหม่ที่จัดทำโดยผู้ใช้ในระบบ ด้วยเหตุนี้มากที่สุดระบบการใช้งานของผู้ใช้ CF พบละแวกใกล้เคียงในขณะที่การคาดการณ์หรือคำแนะนำที่มีความจำเป็น

ผลลัพธ์ (ไทย) 3:

รายการสินค้าร่วมกันและการกรองได้รับการอธิบายครั้งแรกในวรรณกรรม Sarw ā r et al . [ 130 ] และ karypis [ 71 ] ถึงแม้รุ่นดูเหมือนจะถูกใช้โดย Amazon.com ในเวลา [ 87 ] แทนที่จะใช้ความคล้ายคลึงกันระหว่างพฤติกรรมการประเมินของผู้ใช้เพื่อทำนายลักษณะ โฆษณา–รายการใช้ความคล้ายคลึงกันระหว่างการประเมินรูปแบบของรายการ ถ้าสองรายการที่มักจะมีผู้ใช้เดียวกัน ชอบและไม่ชอบของพวกเขา แล้วพวกเขาจะคล้ายกันและผู้ใช้ที่คาดว่าจะมีลักษณะที่คล้ายคลึงกับรายการที่คล้ายกัน ในโครงสร้างโดยรวมของดังนั้น วิธีนี้จะคล้ายกับวิธีที่เนื้อหาก่อนหน้านี้เพื่อคำแนะนำและการตั้งค่าส่วนบุคคล แต่ความเหมือนคือได้สินค้าจากผู้ใช้การตั้งค่ารูปแบบมากกว่าสารสกัดจากข้อมูลรายการในรูปแบบดิบ , CF และ รายการไม่ได้แก้ไขอะไรมันยังทั้งหลาย - รีเพื่อค้นหารายการที่คล้ายกันมากที่สุด ( แก้ไขปัญหา k-nn อีกครั้ง ) เพื่อสร้างการคาดการณ์ และข้อเสนอแนะ ในระบบที่มีผู้ใช้มากกว่าสินค้า มันช่วยให้เพื่อนบ้านค้นหาอยู่ในหมู่ที่มีขนาดเล็กสองมิติ แต่นี้เป็นประโยชน์เล็ก ๆ มันมีไรประสิทธิภาพหลัก โดยยืมตัวเองดีก่อนการคำนวณความคล้ายเมทริกซ์ในฐานะที่เป็นผู้ใช้อัตราและรายการราคาอีกครั้งของพวกเขาจัดอันดับเวกเตอร์จะเปลี่ยนพร้อมกับมีความคล้ายคลึงกันกับผู้ใช้อื่น ๆ ค้นหาผู้ใช้ที่คล้ายกันล่วงหน้าจึงซับซ้อน : ชุมชนของผู้ใช้กำหนดไม่เพียง แต่โดยการจัดอันดับของพวกเขา แต่ยังโดยการจัดอันดับของผู้ใช้อื่น ๆเพื่อให้เพื่อนบ้านของพวกเขาสามารถเปลี่ยนผลคะแนนใหม่ให้ โดยผู้ใช้ในระบบ ด้วยเหตุนี้ , ส่วนใหญ่ของผู้ใช้และผู้ใช้ระบบค้นหาโฆษณาย่านในเวลาเมื่อการคาดการณ์หรือข้อเสนอแนะที่จำเป็น