The user based top-N recommendation

The user based top-N recommendation algorithm identifies the k most similar users to an active user using similarity based vector model. After the k most similar users are found, their corresponding user-item matrices are aggregated to identify the set of items to be recommended. A popular method to find the similar users is the Locality-sensitive hashing, which implements the nearest neighbor mechanism in linear time.

The advantages with this approach include: the explainability of the results, which is an important aspect of recommendation systems; it is easy to create and use; new data can be added easily and incrementally; it need not consider the content of the items being recommended; and the mechanism scales well with co-rated items.

There are several disadvantages with this approach. First, it depends on human ratings. Second, its performance decreases when data gets sparse, which is frequent with web related items. This prevents the scalability of this approach and has problems with large datasets. Although it can efficiently handle new users because it relies on a data structure, adding new items becomes more complicated since that representation usually relies on a specific vector space. That would require to include the new item and re-insert all the elements in the structure.

ผลลัพธ์ (ไทย) 1:

ผู้ใช้ตามคำแนะนำด้านบน N อัลกอริทึมที่ระบุผู้ใช้ k คล้ายกันมากที่สุดเพื่อผู้ใช้งานโดยใช้แบบจำลองคล้ายตามเวกเตอร์ หลังจากพบผู้ใช้มากที่สุดคล้าย k เมทริกซ์ของผู้ใช้สินค้าเกี่ยวข้องจะรวมเพื่อระบุชุดรายการที่จะแนะนำ วิธีการยอดนิยมในการค้นหาผู้ใช้คล้ายเป็นการท้องถิ่นลับ hashing ซึ่งใช้กลไกของเพื่อนบ้านที่ใกล้ที่สุดในเวลาเชิงเส้นข้อดีวิธีนี้ได้แก่: explainability ผล ซึ่งเป็นด้านสำคัญที่ระบบแนะนำ ง่ายต่อการสร้าง และ ใช้ สามารถเพิ่มข้อมูลใหม่ได้อย่างง่ายดาย และแบบเพิ่ม หน่วย มันไม่จำเป็นต้องพิจารณาเนื้อหาของรายการที่มีการแนะนำ และกลไกการปรับขนาดรายการร่วมจัดอันดับดีมีข้อเสียหลาย ด้วยวิธีการนี้ ครั้งแรก มันขึ้นอยู่กับการจัดอันดับบุคคล สอง ประสิทธิภาพการทำงานลดลงเมื่อข้อมูลได้รับเบาบาง ซึ่งเป็นบ่อยกับเว็บสินค้าที่เกี่ยวข้อง นี้ทำให้ขนาดของวิธีการนี้ และมีปัญหากับ datasets ขนาดใหญ่ แม้ว่าจะมีประสิทธิภาพสามารถจัดการผู้ใช้ใหม่เนื่องจากมันใช้โครงสร้างข้อมูล เพิ่มรายการใหม่จะซับซ้อนมากขึ้นเนื่องจากแทนที่จะอาศัยเวกเตอร์ระบุ ที่ต้องการรวมสินค้าใหม่ และแทรกองค์ประกอบทั้งหมดในโครงสร้างใหม่

ผลลัพธ์ (ไทย) 2:

ผู้ใช้ที่ใช้อัลกอริทึมคำแนะนำด้านบน-N ระบุ k ผู้ใช้ที่คล้ายกันมากที่สุดในการใช้งานโดยใช้ความคล้ายคลึงกันตามรูปแบบเวกเตอร์ หลังจากที่ผู้ใช้ k คล้ายกันมากที่สุดจะพบว่าการฝึกอบรมการใช้งานรายการที่สอดคล้องกันของพวกเขามีการรวบรวมเพื่อระบุชุดของรายการที่จะได้รับการแนะนำ . วิธีที่นิยมใช้ในการค้นหาผู้ใช้งานที่คล้ายกันคือคร่ำเครียดถิ่นที่สำคัญซึ่งดำเนินกลไกเพื่อนบ้านที่ใกล้ที่สุดในเส้นเวลาได้เปรียบด้วยวิธีนี้รวมถึง: explainability ผลซึ่งเป็นสิ่งสำคัญของระบบคำแนะนำ; มันเป็นเรื่องง่ายที่จะสร้างและใช้; ข้อมูลใหม่ที่สามารถเพิ่มได้อย่างง่ายดายและเพิ่มขึ้น; มันไม่จำเป็นต้องพิจารณาเนื้อหาของรายการที่ถูกแนะนำ; และกลไกการชั่งน้ำหนักได้ดีกับรายการร่วมจัดอันดับ. มีหลายข้อเสียด้วยวิธีการนี้ ครั้งแรกก็ขึ้นอยู่กับการจัดอันดับของมนุษย์ ประการที่สองผลการดำเนินงานลดลงเมื่อได้รับข้อมูลที่กระจัดกระจายซึ่งเป็นบ่อยครั้งกับรายการที่เกี่ยวข้องเว็บ นี้จะช่วยป้องกันความยืดหยุ่นของวิธีการนี้และมีปัญหากับชุดข้อมูลขนาดใหญ่ แม้ว่ามันจะมีประสิทธิภาพสามารถจัดการกับผู้ใช้รายใหม่เพราะมันขึ้นอยู่กับโครงสร้างข้อมูลเพิ่มรายการใหม่กลายเป็นความซับซ้อนมากขึ้นเนื่องจากการเป็นตัวแทนที่มักจะอาศัยอยู่กับปริภูมิเวกเตอร์ที่เฉพาะเจาะจง ที่จะต้องรวมถึงรายการใหม่อีกครั้งใส่องค์ประกอบทั้งหมดในโครงสร้าง

ผลลัพธ์ (ไทย) 3:

ผู้ใช้ที่ใช้วิธีการแนะนำ top-n ระบุ K คล้ายกันมากที่สุด ผู้ใช้สามารถใช้ใช้ความเหมือนแบบเวกเตอร์พื้นฐาน หลังจากที่ผู้ใช้ที่คล้ายกันมาก K จะพบรายการผู้ใช้ที่สอดคล้องกันของเมทริกซ์รวม เพื่อระบุชุดของรายการที่จะแนะนำ เป็นวิธีที่นิยมใช้เพื่อค้นหาผู้ใช้ที่คล้ายกันเป็นส่วนบริการไว ,เพื่อนบ้านที่ใกล้ที่สุดซึ่งใช้กลไกในเวลาเชิงเส้น

ข้อดี ด้วยวิธีการนี้รวมถึง : explainability ผล ซึ่งเป็นลักษณะที่สำคัญของระบบการแนะนำ ; มันเป็นเรื่องง่ายที่จะสร้างและใช้ ; ข้อมูลใหม่สามารถเพิ่มได้อย่างง่ายดายและแบบเพิ่มหน่วย ; มันต้องไม่พิจารณาเนื้อหาของรายการได้แนะนำ และ กลไกระดับดีคะแนน

ร่วมรายการมีข้อเสียหลาย ด้วยวิธีนี้ ครั้งแรก มันขึ้นอยู่กับการจัดอันดับของมนุษย์ ประการที่สอง ประสิทธิภาพจะลดลงเมื่อข้อมูลที่ได้รับเบาบาง ซึ่งเป็นบ่อยกับรายการเว็บ นี้จะช่วยป้องกันการทำงานของแนวทางนี้ และมีปัญหากับชุดข้อมูลที่มีขนาดใหญ่ ถึงแม้ว่ามันสามารถจัดการได้อย่างมีประสิทธิภาพกับผู้ใช้ใหม่ เพราะมันขึ้นอยู่กับโครงสร้างของข้อมูลการเพิ่มรายการใหม่จะกลายเป็นความซับซ้อนมากขึ้นตั้งแต่การแสดงมักจะอาศัยช่องว่างเวกเตอร์เฉพาะ จะต้องมีสินค้าใหม่และแทรกทุกองค์ประกอบในโครงสร้าง