Data Model. RECATHON assumes the fo

Data Model. RECATHON assumes the following input data: (1) Users: a set of users and their attributes. (2) Items: a set of items and their attributes. (3) Ratings: users expressing their opinions over items. Opinions can be a numeric rating (e.g., one to five stars), or unary (e.g., Facebook “check-ins”). Also, ratings may represent purchasing behavior (e.g., Amazon). Figure 1 gives an example of movie recommendation data. Recommendation Algorithms. Most recommendation algorithms produce recommendations in two steps, as follows:

Step I: Recommendation Model Building: This step consists of building a recommendation model RecModel using the input data. The format of the model depends on the underlying recommendation algorithm. For example, a recommendation model for the item-item cosine-similarity model (Item-CosCF) [4] is a similarity list of the tuples hip, iq, SimScorei, where SimScore is the similarity score between items ip and iq. To compute SimScore(ip, iq), we represent each item as a vector in the user-rating space of the user/item ratings matrix. The Cosine similarity is then calculated as follows:

Step II: Recommendation Generation: This step utilizes the RecModel (e.g., items similarity list) created in Step I to predict a recommendation score, RecScore(u, i), for each user/item pair. RecScore(u, i) reflects how much each user u likes the unseen item i. The recommendation score RecScore depends on the recommendation algorithm defined for the underlying recommender. For the ItemCosCF recommendation algorithm, RecScore(u, i) for each item i not rated by u is calculated as follows:

Before this computation, we reduce each similarity list L to contain only items rated by user u. The recommendation score is the sum of ru,l, a user u’s rating for a related item l ∈ L weighted by sim(i,l), the similarity of l to candidate item i, then normalized by the sum of similarity between i and l.

ผลลัพธ์ (ไทย) 1:

แบบจำลองข้อมูล RECATHON อนุมานข้อมูลป้อนต่อไปนี้: (1) ผู้ใช้: ชุดของตัวเองและผู้ใช้ (2) รายการ: ชุดของตัวเองและรายการ (3) คะแนน: ผู้ที่แสดงความคิดเห็นผ่านรายการ ความคิดเห็นสามารถเป็นการจัดอันดับเป็นตัวเลข (เช่น 1-5 ดาว), หรือเอก (เช่น Facebook "เช็คอิน") ยัง จัดอันดับอาจแสดงถึงลักษณะการทำงาน (เช่น Amazon) ซื้อได้ รูปที่ 1 แสดงตัวอย่างของข้อมูลแนะนำภาพยนตร์ แนะนำขั้นตอนวิธีการ ส่วนใหญ่แนะนำขั้นตอนวิธีผลิตคำแนะนำในขั้นตอนที่สอง เป็นดังนี้:ขั้นตอนที่หนึ่ง:คำแนะนำรูปแบบอาคาร: ขั้นตอนนี้ประกอบด้วยอาคารรูปแบบแนะนำ RecModel ที่ใช้กับข้อมูลที่ป้อน รูปแบบของรูปแบบขึ้นอยู่กับอัลกอริทึมคำแนะนำพื้นฐาน ตัว แบบคำแนะนำสำหรับรูปแบบคล้ายคลึงโคไซน์รายการสินค้า (รายการ-CosCF) [4] เป็นรายการคล้ายคลึงสะโพก tuples ไอคิว คะแนนความคล้ายคลึงระหว่างรายการ ip และไอคิว SimScore, SimScorei การคำนวณ SimScore (ip, iq), เราเป็นตัวแทนแต่ละรายการเป็นเวกเตอร์ในพื้นที่ผู้ใช้จัดอันดับของเมตริกซ์การจัดอันดับผู้ใช้/สินค้า คล้ายคลึงโคไซน์คำนวณแล้วเป็นดังนี้:ขั้นตอนที่สอง: สร้างคำแนะนำ: ขั้นตอนนี้ใช้ RecModel (เช่น คล้ายรายการ) ที่สร้างในขั้นตอนที่ผมทำนายคะแนนแนะนำ RecScore(u, i) สำหรับแต่ละผู้ใช้/สินค้าคู่ RecScore(u, i) u ผู้ใช้แต่ละวิธีการมากชอบรายการมองไม่เห็นสะท้อนถึงฉัน คะแนนแนะนำ RecScore ขึ้นกับอัลกอริทึมคำแนะนำที่กำหนดไว้สำหรับผู้แนะนำพื้นฐาน สำหรับวิธีการแนะนำของ ItemCosCF, RecScore(u, i) สำหรับคำนวณแต่ละรายการที่ฉันไม่ได้คะแนน โดย u เป็นดังนี้:ก่อนคำนวณนี้ เราลดแต่ละรายการคล้าย L มีเฉพาะรายการที่ได้คะแนนจากผู้ใช้ u คะแนนแนะนำคือ ผลรวมของผู้ใช้ u's จัดอันดับสำหรับเป็นสินค้าที่เกี่ยวข้อง l ∈ L ถ่วงน้ำหนัก โดย sim(i,l), l สมัครรายการคล้ายคลึงฉัน แล้วตามปกติ โดยผลรวมของความคล้ายกันระหว่าง i และ l, l, ru

ผลลัพธ์ (ไทย) 2:

ข้อมูลแบบ RECATHON ถือว่าป้อนข้อมูลต่อไปนี้: (1) ผู้ใช้: ชุดของผู้ใช้งานและคุณลักษณะของพวกเขา (2) รายการ: ชุดของรายการและคุณลักษณะของพวกเขา (3) การให้คะแนน: ผู้ใช้แสดงความคิดเห็นของพวกเขามากกว่ารายการ ความเห็นอาจจะเป็นคะแนนที่เป็นตัวเลข (เช่น 1-5 ดาว) หรือเอก (เช่น Facebook "เช็คอิน") นอกจากนี้การจัดอันดับอาจเป็นตัวแทนของพฤติกรรมการซื้อ (เช่น Amazon) รูปที่ 1 แสดงให้เห็นตัวอย่างของข้อมูลคำแนะนำภาพยนตร์ อัลกอริทึมคำแนะนำ ส่วนใหญ่ขั้นตอนวิธีการผลิตคำแนะนำคำแนะนำในสองขั้นตอนดังนี้

ขั้นตอนที่ I: คำแนะนำการสร้างโมเดล: ขั้นตอนนี้ประกอบด้วยการสร้างแบบจำลอง RecModel คำแนะนำการใช้ข้อมูลของท่าน รูปแบบของรูปแบบขึ้นอยู่กับขั้นตอนวิธีการคำแนะนำพื้นฐาน ตัวอย่างเช่นรูปแบบข้อเสนอแนะสำหรับรายการรายการรูปแบบคล้ายคลึงกันโคไซน์ (Item-CosCF) [4] เป็นรายการที่คล้ายคลึงกันของสะโพก tuples, IQ, SimScorei ที่ SimScore เป็นคะแนนความคล้ายคลึงกันระหว่างรายการ IP และ IQ การคำนวณ SimScore (IP, IQ) เราเป็นตัวแทนของแต่ละรายการเป็นพาหะในพื้นที่ใช้การประเมินจากการให้คะแนนของผู้ใช้ / รายการเมทริกซ์ ความคล้ายคลึงกันโคไซน์มีการคำนวณแล้วดังนี้

ขั้นตอนที่ II: การสร้างคำแนะนำ: ขั้นตอนนี้ใช้ RecModel (เช่นรายการคล้ายคลึงกัน) สร้างขึ้นในขั้นตอนที่ผมจะคาดการณ์คะแนนข้อเสนอแนะ, RecScore (U, I) สำหรับผู้ใช้แต่ละ / คู่รายการ . RecScore (U, i) สะท้อนให้เห็นถึงวิธีการมากที่ผู้ใช้แต่ละคน U ชอบรายการที่มองไม่เห็นฉัน คะแนนคำแนะนำ RecScore ขึ้นอยู่กับขั้นตอนวิธีการให้คำแนะนำที่กำหนดไว้สำหรับ recommender พื้นฐาน สำหรับขั้นตอนวิธีการคำแนะนำ ItemCosCF, RecScore (U, i) สำหรับแต่ละรายการฉันไม่จัดอันดับโดย u มีการคำนวณดังนี้

ก่อนการคำนวณนี้เราลดแต่ละรายการคล้ายคลึงกัน L จะมีเฉพาะรายการที่จัดอันดับโดยผู้ใช้ U คะแนนข้อเสนอแนะคือผลรวมของ RU, L, ผู้ใช้ให้คะแนน U สำหรับกิจการที่เกี่ยวข้องกันรายการ L ∈ L ถ่วงน้ำหนักด้วยซิม (I, L) ความคล้ายคลึงกันของ L กับรายการผู้สมัครที่ผมปกติแล้วโดยผลรวมของความคล้ายคลึงกันระหว่างฉันและ ล.