In this paper we introduce SVDFeatu

In this paper we introduce SVDFeature, a machine learning toolkit for feature-based collaborative
filtering. SVDFeature is designed to efficiently solve the feature-based matrix factorization. The
feature-based setting allows us to build factorization models incorporating side information such as
temporal dynamics, neighborhood relationship, and hierarchical information. The toolkit is capable
of both rate prediction and collaborative ranking, and is carefully designed for efficient training on
large-scale data set. Using this toolkit, we built solutions to win KDD Cup for two consecutive
years.
In this paper we introduce SVDFeature, a machine learning toolkit for feature-based collaborative
filtering. SVDFeature is designed to efficiently solve the feature-based matrix factorization. The
feature-based setting allows us to build factorization models incorporating side information such as
temporal dynamics, neighborhood relationship, and hierarchical information. The toolkit is capable
of both rate prediction and collaborative ranking, and is carefully designed for efficient training on
large-scale data set. Using this toolkit, we built solutions to win KDD Cup for two consecutive
years.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ เราแนะนำ SVDFeature เรียนรู้เครื่องจักรเครื่องมือสำหรับใช้คุณลักษณะร่วมกันกรอง SVDFeature ถูกออกแบบมาเพื่อแก้ไขได้อย่างมีประสิทธิภาพการแยกตัวประกอบตามลักษณะเมทริกซ์ ที่ใช้คุณลักษณะการตั้งค่าให้เราสร้างเพจด้านข้อมูลเช่นรูปการแยกตัวประกอบdynamics ขมับ ย่านสัมพันธ์ และข้อมูลแบบลำดับชั้น เครื่องมือมีความสามารถในคาดเดาอัตราและจัดอันดับร่วมกัน และระมัดระวังการออกแบบสำหรับการฝึกอบรมที่มีประสิทธิภาพในชุดข้อมูลขนาดใหญ่ เราใช้มือนี้ สร้างโซลูชั่นลุ้นถ้วย KDD สำหรับ 2 คืนติดต่อกันปีในเอกสารนี้ เราแนะนำ SVDFeature เรียนรู้เครื่องจักรเครื่องมือสำหรับใช้คุณลักษณะร่วมกันกรอง SVDFeature ถูกออกแบบมาเพื่อแก้ไขได้อย่างมีประสิทธิภาพการแยกตัวประกอบตามลักษณะเมทริกซ์ ที่ใช้คุณลักษณะการตั้งค่าให้เราสร้างเพจด้านข้อมูลเช่นรูปการแยกตัวประกอบdynamics ขมับ ย่านสัมพันธ์ และข้อมูลแบบลำดับชั้น เครื่องมือมีความสามารถในคาดเดาอัตราและจัดอันดับร่วมกัน และระมัดระวังการออกแบบสำหรับการฝึกอบรมที่มีประสิทธิภาพในชุดข้อมูลขนาดใหญ่ เราใช้มือนี้ สร้างโซลูชั่นลุ้นถ้วย KDD สำหรับ 2 คืนติดต่อกันปี

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราแนะนำ SVDFeature, เครื่องมือการเรียนรู้เครื่องสำหรับการทำงานร่วมกันที่มีคุณลักษณะตาม
การกรอง SVDFeature ได้รับการออกแบบอย่างมีประสิทธิภาพแก้เมทริกซ์คุณสมบัติตามตีนเป็ด
การตั้งค่าคุณสมบัติตามช่วยให้เราสามารถสร้างแบบจำลองตีนเป็ดผสมผสานข้อมูลข้างเคียงเช่น
การเปลี่ยนแปลงของกาลเวลา, ความสัมพันธ์ที่ใกล้เคียงและข้อมูลลำดับชั้น ชุดเครื่องมือที่มีความสามารถ
ของการทำนายอัตราการการทำงานร่วมกันและการจัดอันดับและถูกออกแบบมาเป็นอย่างดีสำหรับการฝึกอบรมที่มีประสิทธิภาพใน
ชุดข้อมูลขนาดใหญ่ การใช้เครื่องมือนี้เราสร้างโซลูชั่นที่จะชนะถ้วย KDD สองติดต่อกัน
ปี.
ในบทความนี้เราแนะนำ SVDFeature, เครื่องมือการเรียนรู้เครื่องสำหรับคุณลักษณะที่ใช้ร่วมกัน
กรอง SVDFeature ได้รับการออกแบบอย่างมีประสิทธิภาพแก้เมทริกซ์คุณสมบัติตามตีนเป็ด
การตั้งค่าคุณสมบัติตามช่วยให้เราสามารถสร้างแบบจำลองตีนเป็ดผสมผสานข้อมูลข้างเคียงเช่น
การเปลี่ยนแปลงของกาลเวลา, ความสัมพันธ์ที่ใกล้เคียงและข้อมูลลำดับชั้น ชุดเครื่องมือที่มีความสามารถ
ของการทำนายอัตราการการทำงานร่วมกันและการจัดอันดับและถูกออกแบบมาเป็นอย่างดีสำหรับการฝึกอบรมที่มีประสิทธิภาพใน
ชุดข้อมูลขนาดใหญ่ การใช้เครื่องมือนี้เราสร้างโซลูชั่นที่จะชนะถ้วย KDD สองติดต่อกัน
หลายปี

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เราแนะนำ svdfeature เครื่องจักรเครื่องมือสำหรับหาคุณลักษณะพื้นฐานในการเรียนรู้ร่วมกัน
กรอง svdfeature ถูกออกแบบมาให้มีประสิทธิภาพแก้ปัญหาในสารเมทริกซ์ การแยกตัวประกอบ
ในสารช่วยให้เราสามารถสร้างการตั้งค่าแบบผสมผสานข้อมูลด้านเช่น
พลศาสตร์ และความสัมพันธ์ชุมชน และข้อมูลแบบลำดับชั้น . ชุดเครื่องมือมีความสามารถ
ของการคาดการณ์ทั้งคะแนนและการจัดอันดับร่วมกัน และถูกออกแบบมาอย่างพิถีพิถันเพื่อการฝึกอบรมที่มีประสิทธิภาพบน
ชุดข้อมูลขนาดใหญ่ การใช้เครื่องมือนี้ เราสร้างโซลูชั่นเพื่อชนะ KDD ถ้วยสองติดต่อกัน

ปี ในกระดาษนี้เราแนะนำ svdfeature เครื่องจักรเครื่องมือสำหรับหาคุณลักษณะพื้นฐานในการเรียนรู้ร่วมกัน
กรอง svdfeature ถูกออกแบบมาให้มีประสิทธิภาพแก้ปัญหาในสารเมทริกซ์ การแยกตัวประกอบ
ในสารช่วยให้เราสามารถสร้างการตั้งค่าแบบผสมผสานข้อมูลด้านเช่น
พลศาสตร์ และความสัมพันธ์ชุมชน และข้อมูลแบบลำดับชั้น . ชุดเครื่องมือที่สามารถทำนายคะแนนและการจัดอันดับ
ทั้งสองร่วมกันและการออกแบบอย่างระมัดระวังสำหรับการฝึกอบรมที่มีประสิทธิภาพบน
ชุดข้อมูลขนาดใหญ่ การใช้เครื่องมือนี้เราสร้างโซลูชั่นเพื่อชนะถ้วย KDD
ติดต่อกัน 2 ปี