Up to now, more and more online sit

Up to now, more and more online sites have started to allow their users to build the social relationships.
Take the Last.fm for example (which is a popular music-sharing site), users can not only add each other as
friends, but also join online interest groups where they shall meet people with common tastes. Therefore,
in this environment, users might be interested in not only receiving item recommendations (such as
music), but also getting friend suggestions so they might put them in the contact list, and group recommendations
that they could consider joining. To support such demanding needs, in this paper, we propose
a unified framework that provides three different types of recommendation in a single system:
recommending items, recommending groups and recommending friends. For each type of recommendation,
we in depth investigate the contribution of fusing other two auxiliary information resources (e.g., fusing
friendship and membership for recommending items, and fusing user-item preferences and friendship for recommending
groups) for boosting the algorithm performance. More notably, the algorithms were developed
based on the matrix factorization framework in order to achieve the ideal efficiency as well as
accuracy. We performed experiments with two large-scale real-world data sets that contain users’ implicit
interaction with items. The results revealed the effective fusion mechanism for each type of recommendation
in such implicit data condition. Moreover, it demonstrates the respective merits of
regularization model and factorization model: the factorization is more suitable for fusing bipartite data
(such as membership and user-item preferences), while the regularization model better suits one mode
data (like friendship). We further enhanced the friendship’s regularization by integrating the similarity
measure, which was experimentally proven with positive effect

ผลลัพธ์ (ไทย) 1:

ถึงตอนนี้ เว็บไซต์ขึ้นออนไลน์ได้เริ่มอนุญาตให้ผู้ใช้ของพวกเขาในสังคมความสัมพันธ์กัน
ใช้ลาสต์เอฟเอ็มเช่น (ซึ่งเป็นไซต์นิยมใช้ร่วมกันเพลง) ผู้ใช้สามารถเพียงเพิ่มกันเป็น
เพื่อน แต่ยังรวมกลุ่มสนใจออนไลน์ที่พวกเขาจะพบคนที่ มีรสนิยมทั่วไป ดังนั้น,
ในร้าน ผู้ใช้อาจจะสนใจไม่เพียงแต่ ได้รับคำแนะนำสินค้า (เช่น
เพลง), แต่ยัง ได้รับคำแนะนำเพื่อนเพื่อพวกเขาอาจใส่ไว้ในรายชื่อผู้ติดต่อ และกลุ่มแนะนำ
ที่พวกเขาสามารถพิจารณาร่วมกัน การสนับสนุนดังกล่าวเรียกร้องความต้องการ ในเอกสารนี้ เรา
กรอบรวมที่มีสามชนิดของคำแนะนำในระบบเดียว:
แนะนำสินค้า แนะนำกลุ่ม และแนะนำเพื่อน สำหรับแต่ละชนิดของคำแนะนำ,
เราลึกตรวจสอบสัดส่วนของของทรัพยากรอื่น ๆ ข้อมูลเสริมสอง (เช่น ด้วย
มิตรภาพและสมาชิกแนะนำ สินค้า และด้วยการกำหนดลักษณะผู้ใช้รายการ และมิตรภาพสำหรับแนะนำ
กลุ่ม) เพื่อเพิ่มประสิทธิภาพการทำงานของอัลกอริทึมการ ยิ่งยวด อัลกอริทึมได้รับการพัฒนา
ตามกรอบงานเมทริกซ์การแยกตัวประกอบเพื่อให้บรรลุประสิทธิภาพเหมาะเป็น
ถูกต้อง เราดำเนินการทดลอง มีขนาดใหญ่จริงค่าที่ประกอบด้วยผู้ใช้นัย
ติดต่อกับรายการ ผลเปิดเผยกลไกการฟิวชั่นที่มีประสิทธิภาพสำหรับแต่ละชนิดของคำแนะนำ
ภาวะเต็มเช่นกัน นอกจากนี้ มันแสดงให้เห็นข้อดีต่าง ๆ ของ
รูป regularization และการแยกตัวประกอบ: การแยกตัวประกอบได้ด้วยข้อมูลสองส่วน
(เช่นสมาชิกและผู้ใช้สินค้าลักษณะ), ในขณะที่ regularization รุ่นดีชุดหนึ่งโหมด
ข้อมูล (เช่นมิตรภาพ) การ เราปรับปรุงเพิ่มเติมของเฟรนด์ชิพ regularization โดยรวมคล้ายคลึง
วัด ซึ่งถูกพิสูจน์แล้วว่า มีผลดีต่อ experimentally

ผลลัพธ์ (ไทย) 2:

ถึงตอนนี้เว็บไซต์ออนไลน์มากขึ้นและได้เริ่มต้นที่จะช่วยให้ผู้ใช้ของพวกเขาในการสร้างความสัมพันธ์ทางสังคม
ใช้ Last.fm ตัวอย่าง (ซึ่งเป็นเว็บไซต์เพลงร่วมกันเป็นที่นิยม) ผู้ใช้ไม่เพียง แต่สามารถเพิ่มกันเป็น
เพื่อน แต่ นอกจากนี้ยังเข้าร่วมกลุ่มออนไลน์ที่น่าสนใจที่พวกเขาจะได้พบกับคนที่มีรสนิยมเหมือนกัน ดังนั้น
ในสภาพแวดล้อมนี้ผู้ใช้อาจจะสนใจในไม่เพียง แต่ได้รับการแนะนำรายการ (เช่น
เพลง) แต่ยังได้รับข้อเสนอแนะของเพื่อนเพื่อให้พวกเขาอาจจะใส่ไว้ในรายชื่อผู้ติดต่อและคำแนะนำกลุ่ม
ที่พวกเขาจะพิจารณาเข้าร่วม เพื่อรองรับความต้องการดังกล่าวในบทความนี้เรานำเสนอ
กรอบการรวมเพื่อให้ได้สามประเภทที่แตกต่างกันของคำแนะนำในระบบเดียว:
แนะนำรายการกลุ่มแนะนำและแนะนำเพื่อน สำหรับประเภทของคำแนะนำของแต่ละ
เราตรวจสอบในเชิงลึกมีส่วนร่วมของหลอมรวมอื่น ๆ ทั้งสองแหล่งข้อมูลเสริม (เช่นการหลอมรวม
มิตรภาพและการเป็นสมาชิกสำหรับแนะนำรายการและหลอมรวมความต้องการใช้สินค้าและมิตรภาพสำหรับแนะนำ
กลุ่ม) สำหรับการส่งเสริมประสิทธิภาพการทำงานของอัลกอริทึม มากขึ้นโดยเฉพาะอย่างยิ่งขั้นตอนวิธีที่ได้รับการพัฒนา
อยู่บนพื้นฐานของกรอบตีนเป็ดเมทริกซ์เพื่อให้บรรลุประสิทธิภาพที่ดีเช่นเดียวกับ
ความถูกต้อง เราได้ทำการทดลองกับสองขนาดใหญ่โลกแห่งความจริงชุดข้อมูลที่มีผู้ใช้ 'โดยนัย
มีปฏิสัมพันธ์กับรายการ ผลการศึกษาพบกลไกการฟิวชั่นที่มีประสิทธิภาพสำหรับประเภทของแต่ละข้อเสนอแนะ
ในสภาพที่ข้อมูลดังกล่าวโดยปริยาย นอกจากนี้ยังแสดงให้เห็นถึงประโยชน์ของแต่ละ
รุ่น regularization และตีนเป็ดรุ่นตีนเป็ดเหมาะสำหรับหลอมรวมข้อมูลสองฝ่าย
(เช่นการตั้งค่าการเป็นสมาชิกและใช้รายการ) ในขณะที่รูปแบบการ regularization เหมาะสมดีกว่าโหมด
ข้อมูล (เช่นมิตรภาพ) เรายังเพิ่ม regularization มิตรภาพโดยบูรณาการความคล้ายคลึงกัน
ที่วัดซึ่งได้รับการพิสูจน์แล้วว่าการทดลองที่มีผลในเชิงบวก

ผลลัพธ์ (ไทย) 3:

ถึงตอนนี้ มากขึ้นเว็บไซต์ออนไลน์ได้เริ่มต้นเพื่อให้ผู้ใช้ของพวกเขาที่จะสร้างความสัมพันธ์ทางสังคม .
เอา last.fm ตัวอย่างเช่น ( ซึ่งเป็นเพลงยอดนิยมแบ่งปันเว็บไซต์ ) ผู้ใช้สามารถไม่เพียง แต่เพิ่มกัน
เพื่อน แต่ยังเข้าร่วมกลุ่มผลประโยชน์ออนไลน์ที่พวกเขาจะพบกับผู้คนที่มีรสนิยมเหมือนกัน ดังนั้น
ในสภาพแวดล้อมนี้ผู้ใช้อาจจะสนใจไม่เพียง แต่ได้รับการแนะนำสินค้า ( เช่น
เพลง ) แต่ยังได้รับคําแนะนําเพื่อนเค้าอาจจะใส่ไว้ในรายชื่อผู้ติดต่อ และ กลุ่มแนะนำ
ที่พวกเขาอาจพิจารณาเข้าร่วม เพื่อรองรับความต้องการดังกล่าว ในกระดาษนี้เราเสนอ
รวมกรอบที่ให้สามชนิดที่แตกต่างกันของคำแนะนำในระบบเดียว :
แนะนำรายการแนะนำกลุ่มและแนะนำเพื่อน สำหรับแต่ละชนิดของคำแนะนำ
เราลึกในการตรวจสอบผลงานของฟิวส์สองอื่น ๆเสริมข้อมูลทรัพยากร ( เช่นฟิวส์
มิตรภาพและสมาชิกเพื่อแนะนำสินค้า และผลิตภัณฑ์ รายการ การตั้งค่าผู้ใช้และมิตรภาพเพื่อแนะนำ
กลุ่ม ) สำหรับการส่งเสริมประสิทธิภาพของขั้นตอนวิธี เพิ่มเติมสำหรับอัลกอริทึมที่ได้พัฒนา
โดยเมทริกซ์การแยกตัวประกอบกรอบเพื่อให้บรรลุประสิทธิภาพดีเยี่ยมรวมทั้ง
ความถูกต้อง เราการทดลองกับสองขนาดใหญ่ที่ประกอบด้วยข้อมูลที่เป็นจริงชุดของผู้ใช้โดยปริยาย
ปฏิสัมพันธ์กับรายการ พบกลไกฟิวชั่นที่มีประสิทธิภาพสำหรับแต่ละชนิดของคำแนะนำ
ดังกล่าวโดยปริยาย ข้อมูลสภาพ นอกจากนี้ยังแสดงให้เห็นถึงประโยชน์ที่เกี่ยวข้องของ
แบบผิดกฎหมายและรูปแบบการแยกตัวประกอบ : การแยกตัวประกอบคือเหมาะสำหรับข้อมูล
fusing กราฟสองส่วน ( เช่นสมาชิกและการตั้งค่าของผู้ใช้ ) , ในขณะที่ regularization รุ่นที่ดีกว่าชุดหนึ่งข้อมูลโหมด
( เหมือนเพื่อน ) เราเพิ่มมิตรภาพของผิดกฎหมาย โดยบูรณาการความเหมือน
วัด ซึ่งผลการพิสูจน์ด้วยผล บวก