A further challenge in adapting sca

A further challenge in adapting scalability techniques from data mining is the extreme sparsity of ratings in recommender systems.
The value of a recommender system lies in the fact that most customers have not evaluated most of the products. A typical bookstore
customer may rate thirty books and seek recommendations from over a million books in print. While thirty books may represent a
substantial opinion, will there be enough other customers whose reading histories overlap with this .003% of the catalog?
Researchers are exploring a variety of techniques to bridge the gaps caused by sparsity. Examples include explicitly supporting
transitivity in neighborhood formation and using dimensionality reduction to shrink the effective dimensionality of the product
space. Many classical dimensionality reduction techniques work poorly with extremely sparse data, so these techniques will have to
be modified to work for recommender systems.

ผลลัพธ์ (ไทย) 1:

ความท้าทายเพิ่มเติมในการปรับเทคนิคการขยายขนาดจากการทำเหมืองข้อมูลเป็น sparsity มากของการจัดอันดับในระบบผู้แนะนำระบบผู้แนะนำค่าอยู่ในความเป็นจริงที่ว่า ลูกค้าส่วนใหญ่ได้ประเมินมากที่สุดของผลิตภัณฑ์ ร้านหนังสือทั่วไปลูกค้าอาจอันดับหนังสือสามสิบ และแสวงหาคำแนะนำจากล้านหนังสือพิมพ์ ในขณะที่หนังสือสามสิบอาจแสดงถึงการพบเห็น จะมีเพียงพอลูกค้าอื่น ๆ ที่อ่านประวัติทับซ้อนกับนี้. 003% แค็ตตาล็อกหรือไม่นักวิจัยมีการสำรวจความหลากหลายของเทคนิคการช่องว่างที่เกิดจาก sparsity ตัวอย่างเช่นการสนับสนุนอย่างชัดเจนtransitivity ในย่านกำเนิดและใช้ลด dimensionality หด dimensionality ประสิทธิภาพของผลิตภัณฑ์พื้นที่ เทคนิคการลด dimensionality คลาสสิกมากทำงานไม่ดีกับบ่อมากข้อมูล เพื่อเทคนิคเหล่านี้จะต้องสามารถปรับเปลี่ยนการทำงานในระบบผู้แนะนำ

ผลลัพธ์ (ไทย) 3:

ความท้าทายด้านเทคนิคเพิ่มเติมในการปรับจากการทำเหมืองข้อมูลเป็น sparsity สุดโต่งของการจัดอันดับในระบบแนะนำ .
ค่าของระบบที่แนะนำอยู่ในความเป็นจริงว่า ลูกค้าส่วนใหญ่ยังไม่ได้ประเมิน ที่สุดของผลิตภัณฑ์ ลูกค้าร้านหนังสือ
ทั่วไปอาจเท่ากัน 30 หนังสือและแสวงหาคำแนะนำจากมากกว่าล้านเล่มในการพิมพ์ ในขณะที่สามสิบเล่มอาจหมายถึง
ความคิดเห็นที่เป็นชิ้นเป็นอัน จะมีเพียงพอ ลูกค้าอื่น ๆที่อ่านประวัติศาสตร์ทับซ้อนกับ 003 % ของรายการ ?
นักวิจัยสำรวจความหลากหลายของเทคนิคเพื่อสร้างสะพานเชื่อมช่องว่างที่เกิดจาก sparsity . ตัวอย่าง ได้แก่ สนับสนุนในการสร้างอย่างชัดเจน
transitivity ละแวก และลดการใช้ dimensionality dimensionality ที่มีประสิทธิภาพของผลิตภัณฑ์ที่ว่าง
หดหลายเทคนิคลด dimensionality คลาสสิกทำงานไม่ดีกับข้อมูลเบาบางมาก ดังนั้น เทคนิคเหล่านี้จะต้อง
ถูกดัดแปลงเพื่องานระบบแนะนำ .