24.5.1 Engaging Multi-Criteria Rati

24.5.1 Engaging Multi-Criteria Ratings during Prediction

This section provides an overview of the techniques that use multi-criteria ratings to
predict an overall rating or individual criteria ratings (or both). In general, recommendation techniques can be classified by the formation of the utility function into
two categories: heuristic-based (sometimes also referred to as memory-based) and
model-based techniques [4]. Heuristic-based techniques compute the utility of each
item for a user on the fly based on the observed data of the user and are typically
based on a certain heuristic assumption. For example, a neighborhood-based tech-
nique – one of the most popular heuristic-based collaborative filtering techniques
– assumes that two users who show similar preferences on the observed items will
have similar preferences for the unobserved items as well. In contrast, model-based
techniques learn a predictive model, typically using statistical or machine-learning
methods, that can best explain the observed data, and then use the learned model
to estimate the utility of unknown items for recommendations. Following this classification, we also present the algorithms of multi-criteria rating recommenders by
grouping them into heuristic and model-based approaches.

ผลลัพธ์ (ไทย) 1:

24.5.1 เสน่ห์จัดอันดับหลายเกณฑ์ในการคาดเดาส่วนนี้แสดงภาพรวมของเทคนิคที่ใช้การจัดอันดับหลายเงื่อนไขการทายผลการจัดอันดับโดยรวม หรือแต่ละเกณฑ์การจัดอันดับ (หรือทั้งสอง) ทั่วไป แนะนำเทคนิคได้อย่าง classified โดยการก่อตัวของฟังก์ชันอรรถประโยชน์เป็นประเภทที่สอง: ใช้ heuristic (บางครั้งยังเรียกว่าไปเป็นหน่วยความจำที่ใช้) และตามแบบจำลองเทคนิค [4] แล้วใช้เทคนิคคำนวณของแต่ละสินค้าสำหรับผู้ใช้บน fly ที่ตามข้อมูลของผู้ใช้สังเกต และโดยปกติตามอัสสัมชัญแล้วแน่นอน ตัวอย่าง การใช้ย่านเทค-nique – เทคนิค heuristic ใช้ร่วม filtering แห่งหนึ่ง-สมมติว่า ผู้ใช้ที่สองที่แสดงลักษณะคล้ายตามสังเกตจะมีลักษณะคล้ายกันสำหรับสินค้าเช่น unobserved ในทางตรงข้าม ใช้แบบจำลองเทคนิคการเรียนรู้แบบจำลองคาดการณ์ โดยทั่วไปใช้สถิติ หรือเครื่องเรียนวิธี ที่สามารถอธิบายข้อมูลสังเกตส่วน และจากนั้น ใช้รูปแบบการเรียนรู้การประเมินโปรแกรมอรรถประโยชน์ของสินค้าไม่ทราบสำหรับคำแนะนำ ต่อนี้ classification เรายังมีอัลกอริทึมของ recommenders จัดอันดับหลายเงื่อนไขโดยจัดเป็น heuristic และตามรูปแบบแนวทาง

ผลลัพธ์ (ไทย) 3:

การจัดอันดับ 24.5.1 หลายเกณฑ์ในการทำนาย

ส่วนนี้จะให้ภาพรวมของเทคนิคที่ใช้เกณฑ์คะแนนทำนายหลาย

คะแนนโดยรวม หรือแต่ละเกณฑ์คะแนน ( หรือทั้งสอง ) โดยทั่วไปเทคนิคที่แนะนำสามารถ classi จึงเอ็ด โดยรูปแบบของฟังก์ชันอรรถประโยชน์ใน
สองประเภท : ฮิวริสติกที่ใช้ ( บางครั้งเรียกว่าหน่วยความจำที่ใช้ ) และ
สำหรับเทคนิค [ 4 ] ฮิวริสติกที่ใช้เทคนิคการคำนวณอรรถประโยชน์ของแต่ละ
รายการสำหรับผู้ใช้ในfl Y ตามข้อมูลของผู้ใช้และมักจะ
ขึ้นอยู่กับบางแบบสมมุติ ตัวอย่างเช่น ชุมชนตามเทค -
ปี–หนึ่งในความนิยมมากที่สุดฮิวริสติกที่ใช้ร่วมกันจึง ltering เทคนิค
ซึ่งถือว่า สองผู้ใช้ที่แสดงการตั้งค่าที่คล้ายกันที่พบมีลักษณะคล้ายคลึงกับรายการจะ
รายการ unobserved เช่นกัน ในทางตรงกันข้าม สำหรับ
เทคนิคเรียนรู้แบบจำลอง , มักจะใช้สถิติหรือการเรียนรู้ของเครื่อง
วิธีการที่ดีที่สุดที่สามารถอธิบายข้อมูล และจากนั้น ใช้เรียนรู้รูปแบบ
ประมาณการสาธารณูปโภคของรายการที่ไม่รู้จักแนะนำต่อไปนี้ classi จึงบวก เรายังเสนออัลกอริทึมหลายเกณฑ์การประเมิน recommenders โดยการจัดกลุ่มพวกเขาในวิธีการฮิวริสติกแล้ว

สำหรับ .