Each cell in the multi-dimensional

Each cell in the multi-dimensional grid points to a table, RecModel, that maintains auxiliary precomputed information to speed up the generation of the recommendation query result. The precomputed information may have different schema based on the underlying recommendation algorithm. For example, for the Item-Item collaborative filtering algorithm, RecModel represents an items similarity list with the schema (ItemID1, ItemID2, SimScore), where SimScore is computed per equation 1 (Section II).

Initialization. The multi-dimensional grid G is initialized upon issuing a CREATE RECOMMENDER statement, through two main steps: (1) Grid Construction, where we allocate the memory space for the grid, and decide on each cell size in terms of the values it represents. In case of categorical attributes (e.g., Gender, Job, and City), we allocate one cell per attribute. For continuous domain attributes (e.g., age and salary), we divide the space into N parts, where parts have almost equal number of ratings. More sophisticated techniques can be used to divide the space. Yet, we opt for a simple division here as a proof of concept for RECATHON functionality. (2) RecModel Building, where the RecModel table for each cell C in G is built by running the specified recommender algorithm in the CREATE RECOMMENDER statement on the set of users U whose attributes correspond to the subdomain covered by C. For instance, in case of ItemCosCF recommendation algorithm, we scan the ratings table and run a nested loop algorithm over all items to calculate the cosine similarity score between every item pair in each cell C using equation 1. After the initialization procedure terminates, a pointer to the newly created grid structure G is added to the RecIndex field corresponding to the appropriate recommender entry in RecCatalog.

ผลลัพธ์ (ไทย) 1:

แต่ละเซลล์ในตารางหลายมิติที่ชี้ไปยังตาราง RecModel ที่เก็บรักษาข้อมูล precomputed เสริมเพื่อเร่งการสร้างผลลัพธ์การสอบถามแนะนำ ข้อมูล precomputed อาจมี schema แตกต่างกันตามอัลกอริทึมคำแนะนำพื้นฐาน เช่น สำหรับรายการสินค้าร่วมกันกรองขั้นตอนวิธี RecModel แทนรายการรายการคล้ายคลึงกับ schema (ItemID1, ItemID2, SimScore), ซึ่งคำนวณ SimScore ต่อสมการ 1 (ส่วน II) การเริ่มต้น ตารางหลายมิติ G ถูกเตรียมใช้งานเมื่อออกงบสร้างผู้แนะนำ ขั้นตอนหลักที่สอง: (1) ตารางการก่อสร้าง ที่เราจัดสรรเนื้อที่หน่วยความจำสำหรับตาราง และตัดสินใจในแต่ละเซลล์ขนาดในแง่ของค่าแทน ในกรณีที่แน่ชัดแอตทริบิวต์ (เช่น เพศ งาน และการเมือง), เราจัดสรรเซลล์หนึ่งต่อแอตทริบิวต์ สำหรับแอตทริบิวต์โดเมนต่อเนื่อง (เช่น อายุและเงินเดือน), เราแบ่งพื้นที่ N ที่ชิ้นส่วนที่มีจำนวนคะแนนเกือบเท่ากัน สามารถใช้เทคนิคที่ซับซ้อนมากขึ้นเพื่อแบ่งพื้นที่ ยัง เราเลือกส่วนที่เรียบง่ายที่นี่เป็นหลักฐานของแนวคิดสำหรับการทำงาน RECATHON (2) อาคาร RecModel ที่สร้างตาราง RecModel สำหรับแต่ละเซลล์ C G โดยใช้อัลกอริทึมระบุผู้แนะนำในงบสร้างผู้แนะนำบนการตั้งค่าของผู้ใช้ U ที่มีแอตทริบิวต์ที่สอดคล้องกับโดเมนย่อยที่ครอบคลุม โดยค เช่น ในกรณีของอัลกอริทึมคำแนะนำของ ItemCosCF เราสแกนตารางการจัดอันดับ และเรียกใช้อัลกอริทึมแบบวนซ้ำซ้อนผ่านทุกรายการเพื่อคำนวณคะแนนคล้ายโคไซน์ระหว่างทุก ๆ คู่สินค้าในแต่ละ เซลล์ C ใช้สมการ 1 หลังจากสิ้นสุดขั้นตอนการเตรียมใช้งาน ตัวชี้ไปยังโครงสร้างตารางที่สร้างขึ้นใหม่ G ถูกเพิ่มเข้าไป RecIndex ฟิลด์ที่สอดคล้องกับรายการใน RecCatalog ผู้แนะนำที่เหมาะสม

ผลลัพธ์ (ไทย) 2:

เซลล์ในตารางหลายมิติแต่ละชี้ไปที่ตาราง RecModel ที่เก็บรักษาข้อมูล precomputed เสริมเพื่อเพิ่มความเร็วในการสร้างผลแบบสอบถามข้อเสนอแนะที่ ข้อมูล precomputed อาจมีสคีมาที่แตกต่างกันขึ้นอยู่กับขั้นตอนวิธีการคำแนะนำพื้นฐาน ตัวอย่างเช่นสำหรับขั้นตอนวิธีการกรองร่วมกันรายการรายการ RecModel แสดงให้เห็นถึงความคล้ายคลึงกันในรายการรายการที่มีสคี (ItemID1, ItemID2, SimScore) ซึ่ง SimScore คำนวณต่อสมการที่ 1 (ส่วนที่สอง).

การเริ่มต้น ตารางหลายมิติ G จะเริ่มต้นได้เมื่อออกคำสั่ง Recommender สร้างผ่านสองขั้นตอนหลักคือ (1) ตารางงานก่อสร้างที่เราจัดสรรพื้นที่หน่วยความจำสำหรับตารางและตัดสินใจเกี่ยวกับขนาดของแต่ละเซลล์ในแง่ของค่าที่มันหมายถึง ในกรณีของคุณลักษณะเด็ดขาด (เช่นเพศอาชีพและเมือง), เราจัดสรรหนึ่งเซลล์ต่อแอตทริบิวต์ สำหรับแอตทริบิวต์โดเมนอย่างต่อเนื่อง (เช่นอายุและเงินเดือน) เราแบ่งพื้นที่ออกเป็นส่วนไม่มีส่วนไหนมีจำนวนเกือบเท่ากับของการจัดอันดับ เทคนิคที่ซับซ้อนมากขึ้นสามารถใช้ในการแบ่งพื้นที่ แต่เราเลือกสำหรับส่วนที่เรียบง่ายที่นี่เป็นข้อพิสูจน์ของแนวคิดสำหรับการทำงาน RECATHON (2) อาคาร RecModel ที่ตาราง RecModel สำหรับแต่ละเซลล์ซีจีที่ถูกสร้างขึ้นโดยการเรียกใช้อัลกอริทึม recommender ที่ระบุไว้ในคำสั่งสร้าง Recommender ในชุดของผู้ใช้ U ที่มีคุณลักษณะตรงกับโดเมนย่อยที่ครอบคลุมโดยซียกตัวอย่างเช่นในกรณีที่ ขั้นตอนวิธีการคำแนะนำ ItemCosCF เราสแกนตารางการจัดอันดับและเรียกใช้อัลกอริทึมวงซ้อนกันมากกว่ารายการทั้งหมดในการคำนวณคะแนนโคไซน์ความคล้ายคลึงกันระหว่างคู่ทุกรายการในแต่ละเซลล์ C โดยใช้สมการ 1. หลังจากขั้นตอนการเริ่มต้นยุติตัวชี้ไปยังตารางที่สร้างขึ้นใหม่ โครงสร้าง G จะถูกเพิ่มลงสนาม RecIndex สอดคล้องกับรายการ recommender ที่เหมาะสมใน RecCatalog