Some of knowledge-based recommender

Some of knowledge-based recommender systems [35, 37] can also be classified
into this category, because users can provide their general preferences by building
their own hierarchical taxonomy tree (i.e., where all item features are modeled in
a hierarchical manner) and assigning the relative importance level to each component in the tree. As a result, the systems recommend the most relevant items
according to users’ preferences upon the user-defined multiple attributes of item
taxonomy. Furthermore, some of hybrid recommender systems with knowledgebased approach would also fit in this category, particularly case-based reasoning
recommender systems, where items are represented with multi-criteria content in a
structured way (i.e., using a well-defined set of features and feature values) [88].
These systems allow users to specify their preferences on multi-attribute content of
items in their search for items of interest. For example, several case-based travel
recommender systems [73, 75] filter out unwanted items based on each user’s preferences on multi-attribute content (e.g., locations, services, and activities), and find
personalized travel plans for each user by ranking possible travel plans based on the
user’s preferences and past travel plans of this or similar users. In addition, some
case-based recommender systems [9, 70] allow users to “critique” the recommendation results by refining their requirements as part of the interactive and iterative
recommendation process, which uses various search and filtering techniques to continuously provide the user with the updated set of recommendations. For example,
when searching for a desktop PC, users can critique the current set of provided recommendations by expressing their refined preferences on individual features (e.g.,

ผลลัพธ์ (ไทย) 1:

บางระบบผู้แนะนำความรู้ [35, 37] สามารถ classifiedในประเภทนี้ เพราะผู้ใช้สามารถให้ลักษณะทั่วไปของพวกเขา โดยสร้างแผนภูมิลำดับชั้นระบบตน (เช่น ซึ่งคุณลักษณะสินค้าทั้งหมดเป็นแบบจำลองในลักษณะลำดับ) และการกำหนดระดับความสำคัญแต่ละองค์ประกอบในแผนภูมิ ผล ระบบการแนะนำสินค้าที่เกี่ยวข้องมากที่สุดตามการตั้งค่าผู้ใช้เมื่อผู้ใช้-defined หลายแอตทริบิวต์ของรายการจำแนกประเภท นอกจากนี้ บางระบบผู้แนะนำแบบผสมผสานด้วยวิธี knowledgebased จะยัง fit ในหมวดหมู่นี้ โดยเฉพาะอย่างยิ่งกรณีตามเหตุผลผู้แนะนำระบบ ที่แสดงรายการ มีเนื้อหาหลายเงื่อนไขในการวิธีการจัดโครงสร้าง (เช่น ใช้ชุดดี-defined คุณลักษณะและคุณลักษณะค่า) [88]ระบบนี้อนุญาตให้ผู้ใช้สามารถกำหนดลักษณะของแอตทริบิวต์หลายเนื้อหาของรายการในการค้นหารายการที่สนใจ ตัวอย่าง หลายกรณีใช้เดินทางผู้แนะนำ filter ระบบ [73, 75] ออกรายการที่ไม่ต้องขึ้นอยู่กับลักษณะของผู้ใช้แต่ละแอททริบิวต์แบบหลายเนื้อหา (เช่น สถาน บริการ และกิจกรรม), และ findตามแผนการเดินทางแผนการเดินทางส่วนบุคคลสำหรับแต่ละผู้ใช้โดยการจัดอันดับได้แผนนี้เดินทางผ่านมาและกำหนดลักษณะของผู้ใช้ หรือผู้ใช้ที่คล้ายกัน นอกจากนี้ บางผู้แนะนำตามกรณีระบบ [9, 70] อนุญาตให้ผู้ใช้ "วิจารณ์" ผลคำแนะนำ โดย refining ความต้องการของพวกเขาเป็นส่วนหนึ่งของการโต้ตอบ และซ้ำการแนะนำ ซึ่งใช้เทคนิคค้นหาและ filtering ต่าง ๆ อย่างต่อเนื่องให้ผู้ใช้ชุดของคำแนะนำปรับปรุง ตัวอย่างเมื่อค้นหาสำหรับคอมพิวเตอร์ตั้งโต๊ะ ผู้ใช้สามารถวิจารณ์ให้คำแนะนำชุดปัจจุบัน โดยแสดงลักษณะ refined ของพวกเขาในแต่ละคุณลักษณะ (เช่น

ผลลัพธ์ (ไทย) 2:

บางส่วนของความรู้ตามระบบ recommender [35, 37] นอกจากนี้ยังสามารถจัดประเภท
ในประเภทนี้เนื่องจากผู้ใช้สามารถให้การตั้งค่าทั่วไปของพวกเขาโดยการสร้าง
ต้นไม้อนุกรมวิธานลำดับชั้นของตัวเอง (เช่นที่คุณสมบัติรายการทั้งหมดที่มีการสร้างแบบจำลองใน
ลักษณะลำดับชั้น) และการกำหนด ระดับความสำคัญเมื่อเทียบกับแต่ละองค์ประกอบในต้นไม้ เป็นผลให้ระบบแนะนำรายการที่เกี่ยวข้องมากที่สุด
ตามการตั้งค่าของผู้ใช้เมื่อผู้ใช้ไฟเดอเน็ดคุณลักษณะหลายรายการ
อนุกรมวิธาน นอกจากนี้บางส่วนของระบบ recommender ไฮบริดด้วยวิธีการฐานความรูนอกจากนี้ยังจะ fi เสื้อในหมวดหมู่นี้โดยเฉพาะอย่างยิ่งกรณีที่ใช้เหตุผล
ระบบ recommender ที่จะแสดงรายการที่มีหลายเกณฑ์เนื้อหาใน
ทางโครงสร้าง (เช่นการใช้สายดีเดชุดเน็ดของคุณสมบัติและ ค่าคุณลักษณะ) [88].
ระบบเหล่านี้ช่วยให้ผู้ใช้สามารถระบุค่าของพวกเขาเกี่ยวกับเนื้อหาหลายแอตทริบิวต์ของ
รายการในการค้นหารายการที่น่าสนใจ ตัวอย่างเช่นหลายกรณีที่ใช้การเดินทาง
ระบบ recommender [73, 75] ไฟกรองออกรายการที่ไม่พึงประสงค์ตามความต้องการของผู้ใช้แต่ละเนื้อหาหลายแอตทริบิวต์ (เช่นสถานบริการและกิจกรรม) และไฟครั้งที่
แผนการเดินทางส่วนบุคคลสำหรับผู้ใช้แต่ละคนโดยการจัดอันดับ แผนการเดินทางไปได้ขึ้นอยู่กับ
การตั้งค่าของผู้ใช้และวางแผนการเดินทางที่ผ่านมานี้หรือผู้ใช้ที่คล้ายกัน นอกจากนี้ยังมี
กรณีที่ใช้ระบบ recommender [9, 70] ให้ผู้ใช้สามารถ "วิจารณ์" ผลการให้คำแนะนำโดยการไฟหนิงต้องการของพวกเขาเป็นส่วนหนึ่งของการโต้ตอบและการทำซ้ำ
ขั้นตอนคำแนะนำที่ใช้ค้นหาต่างๆและเทคนิค ltering ไฟอย่างต่อเนื่องเพื่อให้ผู้ใช้ที่มี การปรับปรุงชุดของคำแนะนำ ตัวอย่างเช่น
เมื่อค้นหาเครื่องคอมพิวเตอร์เดสก์ทอปผู้ใช้สามารถวิจารณ์ชุดปัจจุบันของคำแนะนำที่ให้บริการโดยการตั้งค่าการแสดง ned สายใหม่ของพวกเขาเกี่ยวกับคุณสมบัติของแต่ละบุคคล (เช่น

ผลลัพธ์ (ไทย) 3:

บางส่วนของระบบอิงความรู้แนะนำ [ 35 , 37 ] ยังสามารถ classi จึงเอ็ด
ในประเภทนี้ เพราะผู้ใช้สามารถมีการตั้งค่าทั่วไปของพวกเขาโดยการสร้างต้นไม้ลำดับชั้นของ
ของตัวเอง ( เช่น ที่คุณสมบัติทั้งหมดในรายการมีแบบจำลอง
ลักษณะลำดับชั้น ) และกำหนดระดับความสำคัญที่สัมพันธ์กับแต่ละองค์ประกอบในต้นไม้ ผลระบบแนะนำสินค้าที่เกี่ยวข้องมากที่สุดตามการตั้งค่าของผู้ใช้
เมื่อผู้ใช้เน็ตหลายเดอ ถ่ายทอดคุณสมบัติของรายการ
อนุกรมวิธาน นอกจากนี้มีการแนะนำระบบไฮบริด knowledgebased เข้าหาก็จะถ่ายทอดในประเภทนี้ โดยเฉพาะกรณีตามระบบแนะนำเหตุผล
ที่รายการจะแสดงหลายเกณฑ์เนื้อหาใน
โครงสร้าง ( เช่นใช้ดี เดจึงเน็ดชุดของคุณลักษณะและคุณลักษณะค่า ) [ 88 ] .
ระบบเหล่านี้อนุญาตให้ผู้ใช้ระบุความต้องการของพวกเขาในปริญญาเนื้อหา
รายการในการค้นหาของพวกเขาสำหรับรายการที่น่าสนใจ ตัวอย่าง กรณีศึกษาระบบแนะนำการท่องเที่ยว
หลาย [ 73 , 75 ] จึง lter ออกรายการที่ไม่พึงประสงค์ตามความต้องการของผู้ใช้ในแต่ละเนื้อหา ( เช่นปริญญา , สถานที่ , บริการ , และกิจกรรมต่างๆ )แล้วจึง ND
ส่วนบุคคลแผนการเดินทางสำหรับผู้ใช้แต่ละคน โดยเดินทางการจัดอันดับเป็นไปได้ตามแผนความต้องการ
ผู้ใช้และผ่านแผนการเดินทางนี้ หรือผู้ใช้ที่คล้ายคลึงกัน นอกจากนี้ บาง
9 กรณีศึกษาระบบแนะนำ [ 70 ] อนุญาตให้ผู้ใช้ " วิจารณ์ " ข้อเสนอแนะผลอีกครั้งจึงหนิงความต้องการของพวกเขาเป็นส่วนหนึ่งของการโต้ตอบและซ้ำ
กระบวนการรับรองที่ใช้ค้นหาต่าง ๆจึง ltering และเทคนิคอย่างต่อเนื่องเพื่อให้ผู้ใช้ที่มีการปรับปรุงชุดของคำแนะนำ ตัวอย่างเช่น
เมื่อค้นหาเดสก์ท็อปพีซี ผู้ใช้สามารถวิจารณ์ชุดปัจจุบันให้ข้อเสนอแนะโดยแสดงตนเป็นบุคคลในลักษณะการถ่ายทอดเน็ด ( เช่น