metrics [18, 3], based on the distr

metrics [18, 3], based on the distribution of user ratings (see also Chapter 4 of this
book).
Eq. (22.1) can also be considered within the framework of a k-nearest-neighbors
(kNN) approach. Aggregation functions have been used to enhance the accuracy and
efficiency of nearest-neighbor rules, with the OWA and Choquet integral providing
the framework to model decaying weights and neighbor interaction [45, 12]. In the
nearest-neighbor setting, similarity is tantamount to multi-dimensional proximity
or distance. Euclidean distance was considered for measuring similarity for recom-
menders that use both ratings and personal information as inputs in [42]. Euclidean
distance is just one type of metric, and may not capture the concept of distance well
- for instance, where the data dimensions are correlated to some degree or even in-
commensurable. Metrics defined with the help of certain aggregation functions, in-
cluding the OWA operator and Choquet integral, have been investigated in [41, 13]
and could potentially prove useful for measuring similarity in some RS.
If we regard each value sim(u, u j) in (22.1) as a weight rather than a similarity, we
can keep in mind that the problem of weight identification for various aggregation
functions has been studied extensively. One method is to learn the weights from
a data subset by using least-squares fitting techniques. For instance, given a set of
mutually rated items D = {d1, ..., dq}, the weights of a WAM can be fitted using the
following program:

ผลลัพธ์ (ไทย) 1:

วัด [18, 3], ตามการกระจายของการจัดอันดับผู้ใช้ (โปรดดูบทที่ 4 นี้สมุด)Eq. (22.1) พิจารณาภายในกรอบของแบบ k-ใกล้เพื่อนบ้าน(kNN) วิธีการ การใช้ฟังก์ชันการรวมเพื่อเพิ่มความถูกต้อง และefficiency ของเพื่อนบ้านที่ใกล้ที่สุดกฎ ทใน OWA และ Choquet เป็นกรอบแบบน้ำหนักสลายและโต้ตอบเพื่อนบ้าน [45, 12] ในใกล้ใกล้เคียงตั้ง ความคล้ายคลึงกันคือ tantamount to 547 แห่งหรือระยะทาง ยุคลิดได้ถือว่าวัดความคล้ายคลึงกันสำหรับ recommenders ที่ใช้จัดอันดับและข้อมูลส่วนบุคคลเป็นอินพุตใน [42] Euclideanระยะทางเป็นชนิดเดียวของวัด และอาจไม่จับแนวคิดของระยะดี-ตัวอย่าง ที่มิติข้อมูลมี correlated บางส่วน หรือแม้ใน-commensurable วัด defined ช่วยบางรวมฟังก์ชัน ในcluding ดำเนินการ OWA และทฤษฎีบูรณาการ Choquet มีการสอบสวนใน [41, 13]และอาจพิสูจน์ประโยชน์สำหรับวัดความคล้ายคลึงกันในบาง RSถ้าเราถือ sim แต่ละค่า (u, u j) ได้ใน (22.1) น้ำหนักมากกว่ามีความคล้ายคลึงกัน เราสามารถให้ใจที่ปัญหาของ identification น้ำหนักสำหรับต่าง ๆ รวมฟังก์ชันมีการศึกษาอย่างกว้างขวาง วิธีการหนึ่งคือการ เรียนรู้น้ำหนักจากย่อยข้อมูล โดยใช้เทคนิค fitting กำลังสองน้อยสุด กำหนดชุดของตัวอย่างร่วมกันจัดรายการ D = {ง 1,..., dq }, น้ำหนักของ WAM สามารถ fitted โดยใช้การโปรแกรมต่อไปนี้:

ผลลัพธ์ (ไทย) 2:

ตัวชี้วัดที่ [18 3] อยู่บนพื้นฐานของการกระจายของคะแนนของผู้ใช้ (โปรดดูบทที่ 4 นี้
หนังสือ).
สม (22.1) นอกจากนี้ยังสามารถได้รับการพิจารณาในกรอบของ k-ใกล้ที่สุด-เพื่อนบ้าน
(kNN) วิธีการ ฟังก์ชั่นการรวมได้รับการใช้เพื่อเพิ่มความถูกต้องและ
ประสิทธิภาพการไฟของกฎที่ใกล้ที่สุดของเพื่อนบ้านด้วย OWA และ Choquet หนึ่งให้
กรอบการจำลองน้ำหนักสลายและการมีปฏิสัมพันธ์เพื่อนบ้าน [45, 12] ใน
การตั้งค่าที่ใกล้เคียงที่สุดเพื่อนบ้านคล้ายคลึงกันเป็นประหนึ่งการใกล้ชิดหลายมิติ
หรือระยะทาง ระยะทางยุคลิดได้รับการพิจารณาสำหรับการวัดความคล้ายคลึงกันสำหรับแนะ
Menders ที่ใช้การจัดอันดับและข้อมูลส่วนบุคคลเป็นปัจจัยการผลิตใน [42] ยุคลิด
ระยะทางเป็นเพียงหนึ่งในประเภทของตัวชี้วัดและอาจไม่จับแนวคิดของระยะทางที่ดี
- ตัวอย่างเช่นที่ขนาดข้อมูลที่มีความสัมพันธ์ในระดับหนึ่งหรือแม้กระทั่งการทำา
สมน้ำสมเนื้อ ตัวชี้วัดนิยามด้วยความช่วยเหลือของฟังก์ชั่นการรวมบางทำา
cluding ประกอบ OWA และ Choquet หนึ่งได้รับการตรวจสอบใน [41, 13]
และอาจจะเป็นประโยชน์สำหรับการวัดความคล้ายคลึงกันในอาร์เอสบาง.
ถ้าเรามองว่าซิมแต่ละค่า (U, uj) ใน (22.1) ในขณะที่น้ำหนักมากกว่าความคล้ายคลึงกันเรา
สามารถเก็บไว้ในใจว่าปัญหาของน้ำหนักไอออนบวกสายการระบุสำหรับการรวมต่างๆ
ฟังก์ชั่นได้รับการศึกษาอย่างกว้างขวาง วิธีหนึ่งคือการเรียนรู้จากน้ำหนัก
ย่อยข้อมูลโดยใช้น้อยสี่เหลี่ยม-Fi เทคนิคระบบ ยกตัวอย่างเช่นได้รับชุดของ
รายการจัดอันดับร่วมกัน D = {d1 ... , DQ} น้ำหนักของ WAM สามารถ Fi tted ใช้
โปรแกรมต่อไปนี้:

ผลลัพธ์ (ไทย) 3:

ตัวชี้วัดที่ 18 [ 3 ] จากการจัดอันดับของผู้ใช้ ( ดูบทที่ 4 ของหนังสือเล่มนี้

) อีคิว ( 22.1 ) ก็ยังถือว่าอยู่ในกรอบของ k-nearest-neighbors
( knn ) วิธีการ ฟังก์ชันการรวมจะถูกใช้เพื่อเพิ่มความถูกต้องและประสิทธิภาพของ EF
จึงมีเพื่อนบ้านที่ใกล้ที่สุด กฎ ระเบียบ และบูรณาการให้
choquet โอว่ากรอบแบบเนื้อที่และน้ำหนัก 45 เพื่อนบ้านปฏิสัมพันธ์ [ 12 ] ในการตั้งค่าเพื่อนบ้านที่ใกล้ที่สุด
,

ความเหมือนจะเท่ากับแบบหลายมิติหรือระยะทาง ระยะทางแบบยุคลิดถือว่าวัดความเหมือนสำหรับ Recom -
menders ที่ใช้ทั้งคะแนนและข้อมูลส่วนบุคคลที่เป็นปัจจัยการผลิตใน [ 42 ]
ใช้ระยะทางเป็นเพียงหนึ่งชนิดของตัวชี้วัด ,และไม่อาจยึดแนวคิดของระยะห่างดี
- ตัวอย่าง ซึ่งข้อมูลมีขนาดความสัมพันธ์ในระดับหนึ่ง หรือแม้แต่ใน -
ที่มีขนาดเท่ากัน . วัดเด จึงลงด้วยความช่วยเหลือของฟังก์ชันการรวมหนึ่งใน -
รวมที่โอว่าผู้ประกอบการและ choquet หนึ่งได้ถูกตรวจสอบใน 13 [ 41 ]
และอาจพิสูจน์ประโยชน์สำหรับการวัดความคล้ายคลึงกันในบาง
.ถ้าเราพิจารณาแต่ละค่าซิม ( u , u J ) ( 22.1 ) น้ำหนักมากกว่าความเหมือน เรา
สามารถระลึกว่า ปัญหาการถ่ายทอดน้ำหนัก identi สำหรับฟังก์ชันการรวม
ต่างๆได้ถูกศึกษาอย่างกว้างขวาง วิธีหนึ่งคือการ เรียนหนัก
ข้อมูลย่อยโดยใช้วิธีจึงตัดเทคนิค ตัวอย่างเช่นได้รับชุดของ
ร่วมกันในรายการ D = { D1 , . . . , DQ } ,น้ำหนักของแวมสามารถถ่ายทอด tted ใช้

โปรแกรมต่อไปนี้ :