Recently, recommender systems have

Recently, recommender systems have grabbed researchers’ attention in both industry [2], [7], [9], [19] and academia [14], [13], [24], [28], [29]. The main goal of a recommender system is to suggest new and interesting items to users from a large pool of items. Recommender systems are implicitly employed on a daily basis to recommend movies (e.g., Netflix), books/products (e.g., Amazon), friends (e.g., Facebook), and news articles (e.g., Google News). A recommender system exploits the users’ opinions (e.g., movie ratings) and/or purchasing (e.g., watching, reading) history in order to extract a set of interesting items for each user. In technical terms, a recommendation algorithm takes as input a set of users U, items I, and ratings (history of users’ opinions) R and estimates a utility function RecScore(u, i) that predicts how much a certain user u ∈ U would like an item i ∈ I such that i has not been already seen (or watched, consumed, etc) by u [4]. To estimate such a utility function, many recommendation algorithms have been proposed in the literature [4], [11] (e.g., Collaborative Filtering).

ผลลัพธ์ (ไทย) 1:

เมื่อเร็ว ๆ นี้ ผู้แนะนำระบบได้คว้าความสนใจของผู้วิจัยในอุตสาหกรรม [2], [7], [9], [19] และวิชาการ [14], [13], [24], [28], [29] เป้าหมายหลักของระบบผู้แนะนำคือการ แนะนำสินค้าใหม่ และน่าสนใจให้ผู้ใช้จากสระน้ำขนาดใหญ่ของสินค้า ระบบผู้แนะนำเป็นนัยลูกจ้างประจำจะแนะนำภาพยนตร์ (เช่น Netflix), หนังสือผลิตภัณฑ์ (เช่น อเมซอน), เพื่อน (เช่น Facebook), และบทความข่าว (เช่น Google News) ระบบผู้แนะนำการหาประโยชน์ของผู้ใช้ความเห็น (เช่น จัดอันดับภาพยนตร์) หรือซื้อ (เช่น ดู อ่าน) ประวัติเพื่อแยกกลุ่มของรายการที่น่าสนใจสำหรับผู้ใช้แต่ละ ในทางเทคนิค การใช้อัลกอริทึมคำแนะนำเป็นอินพุตของผู้ใช้ U รายการฉัน และการจัดอันดับ (ประวัติความคิดเห็นของผู้ใช้) R และประเมินฟังก์ชันอรรถประโยชน์ RecScore(u, i) ที่ทำนายเท่าใดมีบางผู้ใช้ u ∈ U ต้องสินค้าฉัน∈ฉันซึ่งฉันได้ไม่ได้เห็น (หรือ ดู บริโภค ฯลฯ) โดย u [4] การประเมินเช่นฟังก์ชันอรรถประโยชน์ ได้รับการเสนอหลายแนะนำอัลกอริทึมในวรรณคดี [4], [11] (เช่น ร่วมการกรอง)

ผลลัพธ์ (ไทย) 2:

เมื่อเร็ว ๆ นี้ระบบ recommender ได้จับความสนใจของนักวิจัยในอุตสาหกรรมทั้งสอง [2] [7] [9] [19] และสถาบันการศึกษา [14] [13] [24] [28], [29] เป้าหมายหลักของระบบ recommender คือการแนะนำสินค้าใหม่และน่าสนใจให้กับผู้ใช้จากสระว่ายน้ำขนาดใหญ่ของรายการ ระบบให้คำแนะนำที่ถูกว่าจ้างโดยปริยายในชีวิตประจำวันที่จะแนะนำภาพยนตร์ (เช่น Netflix) หนังสือ / ผลิตภัณฑ์ (เช่น Amazon) เพื่อน (เช่น Facebook) และบทความข่าว (เช่น Google News) ระบบ recommender ใช้ประโยชน์จากความคิดเห็นของผู้ใช้ (เช่นการจัดอันดับภาพยนตร์) และ / หรือจัดซื้อ (เช่นการดูการอ่าน) ในประวัติศาสตร์เพื่อดึงชุดของรายการที่น่าสนใจสำหรับผู้ใช้แต่ละคน ในด้านเทคนิคขั้นตอนวิธีการข้อเสนอแนะที่จะเป็นการป้อนข้อมูลการตั้งค่าของผู้ใช้ U เป็นรายการที่ผมและการให้คะแนน (ประวัติศาสตร์ของความคิดเห็นของผู้ใช้) R และประมาณการ RecScore ฟังก์ชั่นยูทิลิตี้ (U ฉัน) ที่คาดการณ์เท่าใดผู้ใช้บาง U ∈ U อยากรายการฉัน∈ฉันเช่นที่ผมยังไม่ได้รับการเห็นแล้ว (หรือดูบริโภค ฯลฯ ) โดย u [4] ในการประมาณการดังกล่าวฟังก์ชั่นยูทิลิตี้อัลกอริทึมข้อเสนอแนะจำนวนมากได้รับการเสนอชื่อในวรรณคดี [4] [11] (เช่นความร่วมมือการกรอง)

ผลลัพธ์ (ไทย) 3:

เมื่อเร็วๆ นี้ แนะนำระบบได้คว้าความสนใจของนักวิจัยทั้งในอุตสาหกรรม [ 2 ] , [ 7 ] , [ 9 ] , [ 19 ] และวิชาการ [ 14 ] , [ 13 ] , [ 24 ] [ 28 ] [ 29 ] เป้าหมายหลักของระบบที่แนะนำคือการแนะนำสินค้าใหม่และน่าสนใจให้กับผู้ใช้จากสระว่ายน้ำขนาดใหญ่ของรายการ แนะนำระบบจะโดยปริยายใช้ในแต่ละวันเพื่อแนะนำภาพยนตร์ ( เช่น Netflix ) หนังสือ / ผลิตภัณฑ์ ( เช่น Amazon ) , เพื่อน ( เช่น Facebook ) และบทความ ( เช่น Google News ) ระบบแนะนำใช้ความคิดเห็นของผู้ใช้ ( เช่นการจัดอันดับภาพยนตร์ ) และ / หรือการซื้อ ( เช่น ดู อ่าน ประวัติ เพื่อดึงชุดของรายการที่น่าสนใจสำหรับผู้ใช้แต่ละคน ในแง่ทางเทคนิคแนะนำขั้นตอนวิธีการใช้ใส่ชุดของผู้ใช้ u , รายการ , และคะแนน ( ประวัติของความคิดเห็นของผู้ใช้ ) R และประมาณการฟังก์ชันอรรถประโยชน์ recscore ( U , I ) ที่คาดการณ์ว่าผู้ใช้บาง U ∈ u ต้องการรายการที่ฉัน∈ฉันเช่นที่ฉันได้อยู่แล้ว เห็น ( หรือดู , บริโภค , ฯลฯ ) โดย u [ 4 ] การประเมินเช่นฟังก์ชันอรรถประโยชน์และคำแนะนำมากมายที่ได้รับการเสนอในวรรณคดี [ 4 ] , [ 11 ] ( เช่นแบบกรอง )