Besides the probabilistic item simi

Besides the probabilistic item similarity functions discussed in Computing Item Similarity, several fully probabilistic formulations of collaborative filtering have been proposed and gained some currency. These
methods generally aim to build probabilistic models of user behavior
and use those models to predict future behavior. The core idea of proba-
bilistic methods is to compute either P(i|u), the probability that user u
will purchase or view item i, or the probability distribution P(ru,i|u)
over user u’s rating of item i (and the related problem E[ru,i], the
expected value of u’s rating of i).

ผลลัพธ์ (ไทย) 1:

นอกจาก ฟังก์ชันคล้ายสินค้าน่าจะกล่าวถึงในคอมพิวเตอร์สินค้าความคล้ายคลึงกัน หลายน่าจะครบสูตรตัวกรองร่วมกันมีการนำเสนอ และได้รับเงิน เหล่านี้วิธีโดยทั่วไปจุดมุ่งหมายเพื่อสร้างโมเดลพฤติกรรมของผู้ใช้น่าจะและใช้แบบจำลองเหล่านั้นเพื่อทำนายพฤติกรรมในอนาคต ความคิดหลักของ proba-วิธี bilistic คือการ คำนวณ P(i|u) อย่างใดอย่างหนึ่ง ความน่าเป็น u ที่ผู้ใช้จะซื้อ หรือดูสินค้าฉัน หรือการแจกแจงความน่าเป็น P(ru,i|u)กว่าคะแนน u's ผู้ใช้สินค้าผม (และปัญหาที่เกี่ยวข้องกับ E [ru ฉัน],ค่าคาดหมายของคุณคือคะแนนของฉัน)

ผลลัพธ์ (ไทย) 2:

นอกจากนี้น่าจะเป็นรายการที่คล้ายคลึงกันฟังก์ชั่นที่กล่าวไว้ในคอมพิวเตอร์รายการคล้ายคลึงกันหลายสูตรที่น่าจะเป็นอย่างเต็มที่จากการกรองการทำงานร่วมกันได้รับการเสนอและได้รับบางสกุลเงิน เหล่านี้
วิธีการโดยทั่วไปมีจุดมุ่งหมายในการสร้างแบบจำลองความน่าจะเป็นพฤติกรรมของผู้ใช้
และใช้โมเดลเหล่านั้นในการทำนายพฤติกรรมในอนาคต แนวคิดหลักของ proba-
วิธี bilistic คือการคำนวณทั้ง P (i | U) น่าจะเป็นที่ผู้ใช้ U
จะซื้อหรือดูรายการฉันหรือกระจาย P (RU, ฉัน | U)
มากกว่าคะแนนของผู้ใช้ U ของรายการฉัน (และปัญหาที่เกี่ยวข้องกับ E [RU, I] ที่
คาดว่าค่าตัวของการจัดอันดับ U ของฉัน)

ผลลัพธ์ (ไทย) 3:

นอกจากการกล่าวถึงความเหมือนฟังก์ชันในการคำนวณรายการสินค้า ความเหมือน สูตรความน่าจะเป็นหลายอย่างร่วมกัน กรองได้ถูกเสนอและได้รับเงินบางส่วน เหล่านี้วิธีการโดยทั่วไปมีจุดมุ่งหมายเพื่อสร้างแบบจำลองเชิงพฤติกรรมผู้ใช้และใช้แบบจำลองเพื่อทำนายพฤติกรรมในอนาคต หลักคิดของ proba -วิธีการ bilistic คือคำนวณให้ P ( ผม | u ) ความน่าจะเป็นที่ผู้ใช้ Uจะซื้อหรือดูสินค้าผม หรือความน่าจะเป็น P ( รู ผม | U )ผ่านการประเมินของผู้ใช้และรายการที่ฉัน ( และปัญหาที่เกี่ยวข้อง E [ i ] , รูคาดว่ามูลค่าของ U ของคะแนนของฉัน )