24.5.1.1 Heuristic approachesThere

24.5.1.1 Heuristic approaches

There has been some work done to extend the similarity computation of the traditional heuristic-based collaborative filtering technique to reflect multi-criteria rating
information [2, 49, 92]. In this approach, the similarities between users are computed by aggregating traditional similarities from individual criteria or using multidimensional distance metrics.
In particular, the neighborhood-based collaborative filtering recommendation
technique predicts unknown ratings for a given user, based on the known ratings
of the other users with similar preferences or tastes (i.e., neighbors). Therefore, the
first step of the prediction processes is to choose the similarity computation method
to find a set of neighbors for each user. Various methods have been used for similarity computation in single-criterion rating recommender systems, and the most
popular methods are correlation-based and cosine-based. Assuming that R(u, i) represents the rating that user u gives to item i, and I(u, u′) represents the common
items that two users u and u′ rated, two popular similarity measures can be formally
written as follows:

ผลลัพธ์ (ไทย) 1:

24.5.1.1 วิธีแล้วมีบางงานที่ทำเพื่อขยายการคำนวณคล้ายเทคนิคแบบ heuristic ใช้ร่วม filtering เพื่อ reflect หลายเกณฑ์คะแนนข้อมูล [2, 49, 92] ในวิธีการนี้ มีคำนวณความคล้ายคลึงระหว่างผู้ใช้ โดยรวบรวมความเหมือนของดั้งเดิมจากแต่ละเงื่อนไข หรือใช้การวัดระยะทางหลายโดยเฉพาะอย่างยิ่ง คำแนะนำตามพื้นที่ใกล้เคียงร่วมกัน filteringเทคนิคทำนายการจัดอันดับที่ไม่ทราบผู้ใช้กำหนด ตามการจัดอันดับชื่อดังของผู้มีลักษณะคล้ายกันหรือรสนิยม (เช่น บ้าน) ดังนั้น การfirst ขั้นตอนของกระบวนการพยากรณ์คือการ เลือกวิธีการคำนวณความคล้ายคลึงกันการ find ชุดของบ้านแต่ละคน การใช้วิธีต่าง ๆ การคำนวณความคล้ายคลึงกันในระบบผู้แนะนำการจัดอันดับเดียวเกณฑ์ มากสุดวิธียอดนิยมคือ ตามโคไซน์ และ ตามความสัมพันธ์ สมมติว่า R(u, i) แสดงการจัดอันดับผู้ใช้ u ให้สินค้าฉัน และฉัน (u, u′) หมายถึงมวลรายการผู้ใช้ที่สองและ you′ คะแนน คล้ายยอดนิยมสองมาตรการดำเนินได้อย่างเป็นกิจจะลักษณะเขียนต่อไปนี้:

ผลลัพธ์ (ไทย) 2:

24.5.1.1 Heuristic วิธีการมีงานทำที่จะขยายการคำนวณความคล้ายคลึงกันของสายการแก้ปัญหาตามแบบดั้งเดิมเทคนิคการทำงานร่วมกัน ltering เพื่อสะท้อนหลายเกณฑ์คะแนนบางข้อมูล [2, 49, 92] ในวิธีนี้ความคล้ายคลึงกันระหว่างผู้ใช้จะคำนวณโดยรวมคล้ายคลึงกันแบบดั้งเดิมจากเกณฑ์ที่บุคคลหรือโดยใช้ตัวชี้วัดระยะทางหลายมิติ. โดยเฉพาะอย่างยิ่งย่านตามคำแนะนำ ltering สายการทำงานร่วมกันเทคนิคการคาดการณ์การจัดอันดับที่ไม่รู้จักสำหรับผู้ใช้ที่ได้รับขึ้นอยู่กับการจัดอันดับเป็นที่รู้จักของคนอื่น ผู้ใช้ที่มีการตั้งค่าที่คล้ายกันหรือรสนิยม (เช่นเพื่อนบ้าน) ดังนั้นขั้นตอนแรกสายของกระบวนการการทำนายคือการเลือกวิธีการคำนวณความคล้ายคลึงกันเพื่อ fi ครั้งที่ชุดของเพื่อนบ้านสำหรับผู้ใช้แต่ละคน วิธีการต่างๆที่จะนำมาใช้ในการคำนวณความคล้ายคลึงกันในการจัดอันดับเดียวเกณฑ์ระบบ recommender และมากที่สุดวิธีที่นิยมมีความสัมพันธ์ที่ใช้และโคไซน์ตาม สมมติว่า R (มึงฉัน) หมายถึงคะแนนที่ผู้ใช้ยูให้กับรายการที่ฉันและฉัน (มึงมึง) แสดงให้เห็นถึงการร่วมกันรายการที่สองผู้ใช้ยูและ u 'จัดอันดับสองมาตรการที่คล้ายคลึงกันที่เป็นที่นิยมอย่างเป็นทางการสามารถเขียนดังต่อไปนี้ :

ผลลัพธ์ (ไทย) 3:

24.5.1.1 heuristic แนวทาง

มีงานทำเพื่อขยาย ความเหมือนในการคำนวณแบบฮิวริสติกที่ใช้ร่วมกันจึง ltering เทคนิค Re fl ect หลายเกณฑ์การประเมิน
ข้อมูล [ 2 , 49 92 ] ในแนวทางนี้ มีความคล้ายคลึงกันระหว่างผู้ใช้จะคำนวณโดยรวมกันแบบดั้งเดิมคล้ายคลึงกันจากบุคคล หรือใช้เกณฑ์หลายมิติระยะทาง
มาตรวัดโดยเฉพาะแถวบ้านใช้ร่วมกันจึงแนะนำเทคนิค ltering
คาดการณ์อันดับที่ไม่รู้จักสำหรับให้ผู้ใช้ ตามการจัดอันดับของผู้ใช้อื่น ๆที่รู้จักกัน
กับความชอบหรือรสนิยมคล้ายกัน ( เช่น บ้าน ) ดังนั้น ,
จึงตัดสินใจเดินทางขั้นตอนของกระบวนการในการทำนายการเลือกการคำนวณแบบ
เพื่อถ่ายทอดความเหมือนและชุดของประเทศเพื่อนบ้าน สำหรับผู้ใช้แต่ละคนวิธีการต่าง ๆมีการใช้เกณฑ์การคำนวณในความเหมือนแนะนำระบบคะแนนเดียว และวิธีที่ได้รับความนิยมมากที่สุด มีความสัมพันธ์และโคไซน์
ตามตาม สมมติว่า R ( U , I ) เป็นระดับที่ผู้ใช้ U ให้กับรายการที่ผม และผม ( U , U School ) เป็นสินค้าที่ผู้ใช้ทั่วไป
2 u และได้รับคะแนน สองมาตรการความคล้ายคลึงความนิยมสามารถอย่างเป็นทางการ

เขียนได้ดังนี้