SVD Feature: A Toolkit for Feature-

SVD Feature: A Toolkit for Feature-based Collaborative Filtering
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.
Recommender system, which recommends items based on users’ interests, has become more and
more popular in many real-world situations. Collaborative filtering (CF) techniques, as the main
thrust behind recommender systems, have been developed for many years and keep to be a hot area
in both academia and industry. In this paper, we focus on building collaborative filtering based
recommendation toolkit which can effectively leverage the rich information of data collected and
naturally scale up to very large data set

ผลลัพธ์ (ไทย) 1:

SVD คุณลักษณะ: เครื่องมือสำหรับใช้คุณลักษณะการกรองร่วมกันในเอกสารนี้ เราแนะนำ SVDFeature เรียนรู้เครื่องจักรเครื่องมือสำหรับใช้คุณลักษณะร่วมกันกรอง SVDFeature ถูกออกแบบมาเพื่อแก้ไขได้อย่างมีประสิทธิภาพการแยกตัวประกอบตามลักษณะเมทริกซ์ ที่ใช้คุณลักษณะการตั้งค่าให้เราสร้างเพจด้านข้อมูลเช่นรูปการแยกตัวประกอบdynamics ขมับ ย่านสัมพันธ์ และข้อมูลแบบลำดับชั้น เครื่องมือมีความสามารถในคาดเดาอัตราและจัดอันดับร่วมกัน และระมัดระวังการออกแบบสำหรับการฝึกอบรมที่มีประสิทธิภาพในชุดข้อมูลขนาดใหญ่ เราใช้มือนี้ สร้างโซลูชั่นลุ้นถ้วย KDD สำหรับ 2 คืนติดต่อกันปีผู้แนะนำระบบ แนะนำสินค้าตามสถานที่ของผู้ใช้ ได้กลายเป็นมากขึ้น และนิยมมากขึ้นในสถานการณ์จริงในการ ร่วมมือเทคนิค (CF) การกรองเป็นหลักกระตุกอยู่เบื้องหลังระบบผู้แนะนำ ได้รับการพัฒนามาหลายปี และทำให้ พื้นที่ร้อนใน academia และอุตสาหกรรม ในเอกสารนี้ เราเน้นสร้างกรองร่วมกันตามแนะนำเครื่องมือที่มีประสิทธิภาพสามารถใช้ข้อมูลที่หลากหลายของข้อมูลที่เก็บรวบรวม และธรรมชาติปรับชุดข้อมูลขนาดใหญ่มาก

ผลลัพธ์ (ไทย) 2:

SVD คุณสมบัติ: เครื่องมือสำหรับคุณสมบัติที่ใช้กรองความร่วมมือ
ในบทความนี้เราแนะนำ SVDFeature, เครื่องมือการเรียนรู้เครื่องสำหรับการทำงานร่วมกันที่มีคุณลักษณะตาม
การกรอง SVDFeature ได้รับการออกแบบอย่างมีประสิทธิภาพแก้เมทริกซ์คุณสมบัติตามตีนเป็ด
การตั้งค่าคุณสมบัติตามช่วยให้เราสามารถสร้างแบบจำลองตีนเป็ดผสมผสานข้อมูลข้างเคียงเช่น
การเปลี่ยนแปลงของกาลเวลา, ความสัมพันธ์ที่ใกล้เคียงและข้อมูลลำดับชั้น ชุดเครื่องมือที่มีความสามารถ
ของการทำนายอัตราการการทำงานร่วมกันและการจัดอันดับและถูกออกแบบมาเป็นอย่างดีสำหรับการฝึกอบรมที่มีประสิทธิภาพใน
ชุดข้อมูลขนาดใหญ่ การใช้เครื่องมือนี้เราสร้างโซลูชั่นที่จะชนะถ้วย KDD สองติดต่อกัน
ปี.
ระบบ Recommender ซึ่งแนะนำรายการตามความสนใจของผู้ใช้มีมากขึ้นและ
นิยมมากขึ้นในสถานการณ์จริงของโลกจำนวนมาก กรองความร่วมมือ (CF) เทคนิคเป็นหลัก
แรงผลักดันที่อยู่เบื้องหลังระบบ recommender, ได้รับการพัฒนามานานหลายปีและเก็บให้เป็นพื้นที่ร้อน
ทั้งในการศึกษาและอุตสาหกรรม ในบทความนี้เรามุ่งเน้นการสร้างความร่วมมือในการกรองตาม
คำแนะนำเครื่องมือที่มีประสิทธิภาพสามารถใช้ประโยชน์จากข้อมูลที่อุดมไปด้วยข้อมูลที่เก็บรวบรวมและ
ธรรมชาติสูงถึงชุดข้อมูลที่มีขนาดใหญ่มาก

ผลลัพธ์ (ไทย) 3:

แผนกบริการ คุณสมบัติ : เครื่องมือสำหรับใช้ร่วมกันคุณลักษณะการกรอง
ในบทความนี้เราแนะนำ svdfeature เครื่องจักรเครื่องมือสำหรับหาคุณลักษณะพื้นฐานในการเรียนรู้ร่วมกัน
กรอง svdfeature ถูกออกแบบมาให้มีประสิทธิภาพแก้ปัญหาในสารเมทริกซ์ การแยกตัวประกอบ
ในสารช่วยให้เราสามารถสร้างการตั้งค่าแบบผสมผสานข้อมูลด้านเช่น
เปลี่ยนแปลงเวลาความสัมพันธ์เพื่อนบ้าน และข้อมูลแบบลำดับชั้น . ชุดเครื่องมือที่สามารถทำนายคะแนนและการจัดอันดับ
ทั้งสองร่วมกันและการออกแบบอย่างระมัดระวังสำหรับการฝึกอบรมที่มีประสิทธิภาพบน
ชุดข้อมูลขนาดใหญ่ การใช้เครื่องมือนี้ เราสร้างโซลูชั่นเพื่อชนะ KDD ถ้วย สองปีติดต่อกัน
.
แนะนำระบบที่แนะนำสินค้า ตามความสนใจของผู้ใช้ ได้กลายเป็นมากขึ้นและ
ที่นิยมมากขึ้นในสถานการณ์จริงมาก แบบกรอง ( CF ) เทคนิคเป็นหลัก
แทงหลังแนะนำระบบ มีการพัฒนามาหลายปี และยังเป็นเขตร้อน
ทั้งในสถาบันการศึกษา และอุตสาหกรรม ในกระดาษนี้เราเน้นการสร้างความร่วมมือที่มีประสิทธิภาพสามารถใช้คำแนะนำเครื่องมือกรองข้อมูลที่อุดมไปด้วยข้อมูลและ

จากธรรมชาติขนาดข้อมูลใหญ่มากชุด