Huge number of adaptive web applica

Huge number of adaptive web applications have evolved in the recent years. These web applications attempt to understand the behavior of active user and then provide suggestions based on opinions of friends, relatives and peers etc to facilitate their decisions. Such applications are known as personalized web applications or recommender systems [21]. In recent times, massive number of recommender systems have been developed in both the academia and the industry. The estimated figures of varied recommender systems developed in different application domains [20], are approximately 21 for recommending the Web, 13 for movies, 11 for news, 10 for Document and Information, 6 for music, 5 for information filtering and sharing etc. The most prevalent techniques used to develop the recommender systems include Content based filtering, Collaborative filtering and hybrid techniques. Other methods include Demographic filtering, Utility based recommender systems and Knowledge based recommender systems.

Content-based filtering techniques analyze the past preferences of the active user to generate future recommendations. Nevertheless Collaborative filtering techniques assist users in effectively identifying the content of their interest by utilizing the opinions of the community of users [2]. Such systems do not rely on the contents or the features of the products. Thus they have been widely used for recommending items where item profiles are either missing or they are too precise to be useful. Numerous methods have been proposed in the literature for developing collaborative recommender systems like the most original correlation based methods [7], latent semantic indexing (LSI) [9], and Bayesian learning [12] etc.

ผลลัพธ์ (ไทย) 1:

จำนวนมากของโปรแกรมประยุกต์เว็บที่เหมาะสมมีพัฒนาในปีที่ผ่านมา โปรแกรมประยุกต์เว็บเหล่านี้พยายามที่จะเข้าใจพฤติกรรมของผู้ใช้งาน และให้ข้อเสนอแนะตามความเห็นของเพื่อน ญาติ และเพื่อนเป็นต้นเพื่อช่วยในการตัดสินใจแล้ว โปรแกรมประยุกต์ดังกล่าวจะเรียกว่าโปรแกรมประยุกต์เว็บส่วนบุคคลหรือระบบผู้แนะนำ [21] ในครั้งล่าสุด ได้รับการพัฒนาจำนวนมหาศาลผู้แนะนำระบบ academia และอุตสาหกรรม ตัวเลขประเมินของหลากหลายผู้แนะนำระบบที่พัฒนาในโดเมนโปรแกรมประยุกต์ต่าง ๆ [20], 21 ประมาณสำหรับแนะนำเว็บ 13 หนัง 11 และข่าว 10 เอกสารและข้อมูล 6 เพลง 5 สำหรับการกรองข้อมูลและอื่น ๆ ที่ใช้ร่วมกันได้ เทคนิคแพร่หลายมากที่สุดที่ใช้ในการพัฒนาระบบผู้แนะนำประกอบด้วยเนื้อหาตามกรอง กรองและผสมเทคนิคร่วมกัน วิธีการอื่น ๆ รวมกรองประชากร สาธารณูปโภคจากผู้แนะนำระบบ และระบบผู้แนะนำตามความรู้เนื้อหาที่ใช้เทคนิคการกรองวิเคราะห์ลักษณะอดีตผู้ใช้งานอยู่เพื่อสร้างคำแนะนำในอนาคต อย่างไรก็ตาม เทคนิคการกรองร่วมกันช่วยผู้ใช้ในการระบุเนื้อหาที่น่าสนใจของพวกเขาได้อย่างมีประสิทธิภาพโดยใช้ความเห็นของผู้ใช้ [2] ระบบไม่ใช้เนื้อหาหรือคุณลักษณะของผลิตภัณฑ์ จึง แพร่หลายใช้สำหรับแนะนำสินค้าที่มีโพรไฟล์สินค้าใดขาดหายไปหรือพวกเขาจะละเอียดเกินไปจะเป็นประโยชน์ วิธีการมากมายได้รับการเสนอชื่อในวรรณคดีพัฒนาระบบความร่วมมือผู้แนะนำเช่นเดิมมากที่สุดความสัมพันธ์ตามวิธีการ [7], แฝงอยู่ความหมายดัชนี (LSI) [9], และทฤษฎีการเรียนรู้เป็นต้น [12]

ผลลัพธ์ (ไทย) 2:

จำนวนมากของการใช้งานเว็บการปรับตัวมีการพัฒนาในปีที่ผ่านมา การใช้งานเว็บเหล่านี้พยายามที่จะเข้าใจพฤติกรรมของผู้ใช้ที่ใช้งานอยู่แล้วให้คำแนะนำตามความคิดเห็นของเพื่อนญาติและเพื่อนร่วมงานอื่น ๆ เพื่ออำนวยความสะดวกในการตัดสินใจของพวกเขา โปรแกรมดังกล่าวเป็นที่รู้จักกันเป็นโปรแกรมเว็บส่วนบุคคลหรือระบบ recommender [21] ในครั้งล่าสุดจำนวนมากของระบบ recommender ได้รับการพัฒนาทั้งในการศึกษาและอุตสาหกรรม ตัวเลขประมาณการของระบบ recommender ที่แตกต่างกันในการพัฒนาแอพลิเคชันที่แตกต่างกันโดเมน [20] ประมาณ 21 สำหรับแนะนำเว็บ, 13 สำหรับภาพยนตร์, 11 สำหรับข่าว 10 สำหรับเอกสารและข้อมูลที่ 6 สำหรับการฟังเพลง, 5 สำหรับรายละเอียดการกรองและการแบ่งปัน ฯลฯ เทคนิคที่แพร่หลายมากที่สุดที่ใช้ในการพัฒนาระบบ recommender รวมถึงการกรองตามเนื้อหาการกรองความร่วมมือและเทคนิคไฮบริด วิธีการอื่น ๆ ได้แก่ การกรองประชากร, ยูทิลิตี้ที่ใช้ระบบ recommender และความรู้ที่ใช้ระบบ recommender. เนื้อหาที่ใช้เทคนิคการกรองวิเคราะห์ที่ผ่านมาของการตั้งค่าของผู้ใช้ที่ใช้งานการสร้างข้อแนะนำในอนาคต อย่างไรก็ตามเทคนิคการกรองความร่วมมือช่วยให้ผู้ใช้อย่างมีประสิทธิภาพในการระบุเนื้อหาที่น่าสนใจของพวกเขาโดยใช้ความคิดเห็นของชุมชนของผู้ใช้ [2] ระบบดังกล่าวจะไม่พึ่งพาเนื้อหาหรือคุณลักษณะของผลิตภัณฑ์ ดังนั้นพวกเขาได้ถูกนำมาใช้กันอย่างแพร่หลายสำหรับแนะนำรายการที่โปรไฟล์รายการมีทั้งที่หายไปหรือพวกเขามีความแม่นยำเกินไปที่จะเป็นประโยชน์ วิธีการจำนวนมากได้รับการเสนอชื่อในวรรณคดีในการพัฒนาระบบการทำงานร่วมกันเช่นผู้แนะนำความสัมพันธ์เดิมมากที่สุดวิธีการตาม [7], ดัชนีความหมายแฝง (LSI) [9] และการเรียนรู้แบบเบย์ [12] ฯลฯ

ผลลัพธ์ (ไทย) 3:

ตัวเลขขนาดใหญ่ของการใช้งานเว็บได้มีการพัฒนาในปีล่าสุด . โปรแกรมเหล่านี้เว็บพยายามที่จะเข้าใจพฤติกรรมของผู้ใช้ที่ใช้งานและให้ข้อเสนอแนะตามความคิดเห็นของ เพื่อน ญาติ และเพื่อน ฯลฯ เพื่อความสะดวกในการตัดสินใจของพวกเขา โปรแกรมดังกล่าวเป็นที่รู้จักกันเป็นส่วนบุคคลหรือระบบแนะนำการใช้งานเว็บ [ 21 ] ในครั้งล่าสุดจำนวนมาก แนะนำระบบได้รับการพัฒนาทั้งในภาคการศึกษาและอุตสาหกรรม ประมาณการตัวเลขของระบบแนะนำหลากหลายพัฒนาโดเมนโปรแกรมประยุกต์ต่าง ๆ [ 20 ] ประมาณ 21 , แนะนำเว็บ , 13 หนัง 11 ข่าว 10 สำหรับเอกสารและข้อมูล , 6 เพลง , 5 ข้อมูลการกรองและร่วมกันฯลฯเทคนิคที่แพร่หลายมากที่สุดที่ใช้ในการพัฒนาระบบ รวมถึงแนะนำตามเนื้อหาการกรองแบบกรองและเทคนิคผสม วิธีการอื่น ๆรวมถึงประชากรกรองยูทิลิตี้ที่ใช้แนะนำระบบและความรู้ตามระบบแนะนำ เทคนิคการกรองเนื้อหาตาม

วิเคราะห์ความชอบที่ผ่านมาของผู้ใช้ที่ใช้งานเพื่อสร้างความร่วมมือในอนาคตอย่างไรก็ตามเทคนิคการกรองเพื่อช่วยผู้ใช้ในการระบุเนื้อหาที่น่าสนใจของพวกเขาได้อย่างมีประสิทธิภาพโดยการใช้ความคิดเห็นของชุมชนของผู้ใช้ [ 2 ] ระบบดังกล่าวไม่พึ่งพาเนื้อหาหรือคุณลักษณะของผลิตภัณฑ์ ดังนั้นจึงมีการใช้กันอย่างแพร่หลายเพื่อแนะนำสินค้าที่โปรไฟล์สินค้ามีทั้งที่หายไปหรือไม่ก็ชัดเจนที่จะเป็นประโยชน์วิธีการมากมายที่ได้รับการเสนอในวรรณกรรมเพื่อพัฒนาร่วมกันแนะนำระบบเหมือนต้นฉบับมากที่สุดความสัมพันธ์ตามวิธี [ 7 ] , สร้างดัชนีแฝงหมาย ( LSI ) [ 9 ] และ Bayesian การเรียนรู้ [ 12 ] ฯลฯ