Breese et al. [15] implement a Baye

Breese et al. [15] implement a Bayesian Network where each node corresponds to each item. The states correspond to each possible vote value. In the network, each item will have a set of parent items that are its best predictors. The conditional prob- ability tables are represented by decision trees. The authors report better results for this model than for several nearest-neighbors implementations over several datasets. Hierarchical Bayesian Networks have also been used in several settings as a way to add domain-knowledge for information filtering [78]. One of the issues with hier-archical Bayesian networks, however, is that it is very expensive to learn and update the model when there are many users in it. Zhang and Koren [79] propose a varia- tion over the standard Expectation-Maximization (EM) model in order to speed up this process in the scenario of a content-based RS.

ผลลัพธ์ (ไทย) 1:

Al. ร้อยเอ็ด breese [15] ใช้ทฤษฎีเครือข่ายที่แต่ละโหนดสอดคล้องกับแต่ละรายการ อเมริกาสอดคล้องกับแต่ละค่าคะแนนที่ได้ ในเครือข่าย สินค้าแต่ละรายการจะมีการตั้งค่าของรายการหลักที่ predictors ของสุด ตารางสามารถ prob แบบมีเงื่อนไขจะแสดง โดยต้นไม้ตัดสินใจ ผู้เขียนรายงานผลลัพธ์ที่ดีขึ้นสำหรับรูปแบบนี้มากกว่าสำหรับการใช้งานต่าง ๆ ใกล้บ้านมากกว่า datasets หลาย เครือข่ายทฤษฎีลำดับชั้นยังถูกใช้ในการตั้งค่าต่าง ๆ เป็นวิธีการเพิ่มโดเมน-ความรู้สำหรับข้อมูล filtering [78] ประเด็นเครือข่ายทฤษฎี hier archical อย่างไรก็ตาม เป็นที่มีราคาแพงมากที่จะเรียนรู้ และปรับปรุงรูปแบบเมื่อมีผู้ใช้หลายคนใน จางและ Koren [79] เสนอ varia สเตรชันมากกว่าแบบมาตรฐาน Maximization ความคาดหวัง (EM) เร็วขึ้นกระบวนการนี้ในสถานการณ์ของ RS ที่ตามเนื้อหา

ผลลัพธ์ (ไทย) 2:

Breese et al, [15] ใช้คชกรรมเครือข่ายที่แต่ละโหนดที่สอดคล้องกับแต่ละรายการ รัฐตรงกับค่าที่เป็นไปได้ออกเสียงลงคะแนนในแต่ละ ในเครือข่ายของแต่ละรายการจะมีชุดของรายการที่ผู้ปกครองที่มีการพยากรณ์ที่ดีที่สุด เงื่อนไขกำหนดปัญหาที่ตารางความสามารถเป็นตัวแทนของต้นไม้ตัดสินใจ ผู้เขียนรายงานผลลัพธ์ที่ดีกว่าสำหรับรุ่นนี้กว่าหลายประเทศเพื่อนบ้านที่ใกล้ที่สุด-การใช้งานในช่วงหลายชุดข้อมูล เครือข่ายแบบเบย์ตามลำดับชั้นได้ถูกนำมาใช้ในการตั้งค่าหลายวิธีที่จะเพิ่มความรู้โดเมน ltering สาย​​ข้อมูล [78] หนึ่งในประเด็นที่มีเครือข่ายแบบเบย์ที่นี่-archical แต่ก็คือว่ามันมีราคาแพงมากที่จะเรียนรู้และปรับปรุงรูปแบบเมื่อมีผู้ใช้หลายคนในนั้น วอชิงตันโพสต์และโคเรน [79] เสนอการ varia- กว่ามาตรฐานความคาดหวัง-ปรับปรุงสูงสุด (EM) รูปแบบในการสั่งซื้อเพื่อเพิ่มความเร็วในกระบวนการนี​​้ในสถานการณ์ของอาร์เอสเนื้อหาตาม

ผลลัพธ์ (ไทย) 3:

บรีส et al . [ 15 ] ใช้งานเครือข่ายที่แต่ละโหนดที่สอดคล้องกับแต่ละรายการ รัฐสอดคล้องกับแต่ละที่สุดโหวตค่า ในเครือข่ายของแต่ละรายการจะมีชุดของรายการที่ถูกทำนายแม่ที่ดีที่สุดของ ปัญหา - เงื่อนไขตารางความสามารถเป็นตัวแทนของต้นไม้เพื่อการตัดสินใจรายงานเขียนผลลัพธ์ที่ดีกว่าสำหรับรุ่นนี้หลายๆ เพื่อนบ้านที่ใกล้ที่สุดซึ่งกว่าหลายชุดข้อมูล เครือข่ายแบบลำดับชั้นยังถูกใช้ในการตั้งค่าหลายเป็นวิธีที่จะเพิ่มความรู้โดเมนสำหรับข้อมูลจึง ltering [ 78 ] หนึ่งในปัญหากับที่นี่ archical คชกรรมเครือข่าย อย่างไรก็ตามคือว่า มันแพงมากที่จะเรียนรู้และปรับปรุงรูปแบบเมื่อมีผู้ใช้หลายคนในนั้น จางและราก [ 79 ] เสนอ วาเรีย - tion เหนือความคาดหวังสูงสุดมาตรฐาน ( EM ) รูปแบบเพื่อเพิ่มความเร็วในกระบวนการนี้ในสถานการณ์ของเนื้อหา .