Recommender systems are software to

Recommender systems are software tools and techniques for suggesting items in an automated fashion to users tailored their preferences. Collaborative Filtering (CF) techniques, which attempt to predict what information will meet a user's needs from the neighborhoods of like-minded people, are becoming increasingly popular as ways to overcome the information overload. The multi-criteria based CF presents a possibility to provide accurate recommendations by considering the user preferences in multiple aspects and several methods have been proposed for improving the accuracy of these systems. However, the problem of multi-criteria recommendations with a single and overall rating is still considered an optimization problem. In addition, increasing the accuracy in predicting the appropriate items tailored to the users' preferences is on of the main challenges in these systems. Hence, in this research new recommendation methods using Adaptive Neuro-Fuzzy Inference Systems (ANFIS) and Self-Organizing Map (SOM) clustering are proposed to improve predictive accuracy of criteria CF. In this research, SOM enables us to generate high quality clusters of dataset and ANFIS is used for discovering knowledge (fuzzy rules) from users' ratings in multi-criteria dataset, generating appropriate membership functions (MFs), overall rating prediction and input selection. Using exhaustive search method for input selection, the effective inputs are determined to build the ANFIS models in all generated clusters. Furthermore, new fuzzy-based algorithms, Weighted Fuzzy MC-CF (WFuMC-CF), Fuzzy Euclidean MC-CF (FuEucMC-CF) and Fuzzy Average MC-CF (FuAvgMC-CF), are presented for prediction task in multi-criteria CF. FuEucMC-CF and FuAvgMC-CF algorithms uses the fuzzy-based Euclidian distance and fuzzy-based average similarity, respectively, the WFuMC-CF algorithm uses fuzzy-based user- and item-based prediction in a weighted approach. Experimental results on real-world dataset demonstrate that the proposed hybrid methods remarkably improve the accuracy of multi-criteria CF in relation to the previous methods based on multi-criteria ratings. © 2013 Elsevier Ltd. All rights reserved.

ผลลัพธ์ (ไทย) 1:

ระบบ recommender เป็นเครื่องมือที่มีซอฟแวร์และเทคนิคในการแนะนำสินค้าในแบบอัตโนมัติให้กับผู้ใช้ปรับแต่งการตั้งค่าของพวกเขา การกรองการทำงานร่วมกัน (CF) เทคนิคซึ่งพยายามที่จะคาดการณ์ได้ว่าข้อมูลจะตอบสนองความต้องการของผู้ใช้จากที่อยู่อาศัยของคนมีใจเดียวกันที่จะกลายเป็นที่นิยมมากขึ้นเป็นวิธีที่จะเอาชนะเกินข้อมูลCF หลายเกณฑ์ตามที่มีการจัดความเป็นไปได้ที่จะให้คำแนะนำที่ถูกต้องโดยคำนึงถึงความต้องการของผู้ใช้ในด้านต่างๆและวิธีการต่างๆได้รับการเสนอในการปรับปรุงความถูกต้องของระบบเหล่านี้ แต่ปัญหาที่เกิดขึ้นจากคำแนะนำหลายเกณฑ์ด้วยคะแนนเดียวและโดยรวมก็ยังถือว่าเป็นปัญหาการเพิ่มประสิทธิภาพ ในนอกจากนี้เพิ่มความถูกต้องในการพยากรณ์รายการที่เหมาะสมที่เหมาะกับความต้องการของผู้ใช้ที่อยู่ในความท้าทายที่สำคัญในระบบเหล่านี้ ดังนั้นในงานวิจัยนี้เสนอแนะวิธีการใหม่โดยใช้การปรับระบบประสาทเลือนระบบการอนุมาน (anfis) และจัดการตนเองแผนที่ (ส้ม) การจัดกลุ่มที่มีการเสนอให้ปรับปรุงความถูกต้องในการทำนายของเกณฑ์ CF ในงานวิจัยนี้โสมช่วยให้เราสามารถสร้างกลุ่มที่มีคุณภาพสูงของชุดและ anfis ถูกนำมาใช้สำหรับการค้นพบความรู้ (กฎฟัซซี่) จากการจัดอันดับของผู้ใช้ในชุดหลายเกณฑ์, การสร้างฟังก์ชั่นการเป็นสมาชิกที่เหมาะสม (MFS) การคาดการณ์โดยรวมและใส่เลือก โดยใช้วิธีการค้นหาอย่างละเอียดสำหรับการเลือกใส่ปัจจัยการผลิตที่มีประสิทธิภาพมุ่งมั่นที่จะสร้างแบบจำลอง anfis ในกลุ่มที่สร้างขึ้นทั้งหมด นอกจากนี้ขั้นตอนวิธีการเลือน-based ใหม่ถ่วงน้ำหนักเลือน MC-CF (wfumc-CF), เลือน euclidean MC-CF (fueucmc-CF) และคลุมเครือเฉลี่ย MC-CF (fuavgmc-CF) จะนำเสนอสำหรับงานทำนายในหลายเกณฑ์ CFfueucmc-CF และขั้นตอนวิธี fuavgmc-CF ใช้ระยะ Euclidian เลือนตามและความคล้ายคลึงกันเฉลี่ยเลือนตามลำดับขั้นตอนวิธี wfumc-CF ใช้เลือนตามที่ผู้ใช้และการทำนายรายการที่ใช้ในวิธีการถ่วงน้ำหนักผลการทดลองกับชุดจริงของโลกแสดงให้เห็นว่าวิธีการไฮบริดที่นำเสนออย่างน่าทึ่งปรับปรุงความถูกต้องของหลายเกณฑ์ CF ที่เกี่ยวข้องกับวิธีการก่อนหน้าตามการจัดอันดับหลายเกณฑ์ © 2013 เอลส์ จำกัด สงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 2:

ผู้แนะนำระบบเป็นเครื่องมือซอฟต์แวร์ และเทคนิคสำหรับสินค้าเสนอในแฟชั่นแบบอัตโนมัติผู้ใช้ปรับลักษณะของพวกเขา ร่วมกรอง (CF) เทคนิค ที่พยายามที่จะทำนายว่า ข้อมูลใดจะตอบสนองความต้องการของผู้ใช้จากละแวกใกล้เคียงพ้อง จะกลายเป็นนิยมมากขึ้นเป็นวิธีการที่จะเอาชนะภาวะข้อมูลท่วมท้น หลายเงื่อนไขตาม CF แสดงความเป็นไปได้ให้คำแนะนำที่ถูกต้อง โดยพิจารณาการกำหนดลักษณะผู้ใช้ในหลายแง่มุมและวิธีการต่าง ๆ ได้รับการเสนอการปรับปรุงความแม่นยำของระบบเหล่านี้ อย่างไรก็ตาม ปัญหาเงื่อนไขหลายข้อแนะนำมีคะแนนเดียว และโดยรวมเป็นยังถือว่ามีปัญหาที่ปรับให้เหมาะสม นอกจากนี้ เพิ่มความแม่นยำในการทำนายสินค้าที่เหมาะสมเหมาะกับการกำหนดลักษณะผู้ใช้ที่อยู่ของความท้าทายหลักในระบบเหล่านี้ ดังนั้น ในงานวิจัยนี้ แนะนำวิธีใหม่ที่ใช้ปรับสมองพร่าเลือนข้อระบบ (ANFIS) และ Self-Organizing แผนที่ (ส้ม) คลัสเตอร์มีการนำเสนอเพื่อปรับปรุงความถูกต้องงานของ CF. ในงานวิจัยนี้ ส้มช่วยให้เราสามารถสร้างคลัสเตอร์คุณภาพสูงของชุดข้อมูล และ ANFIS ใช้สำหรับค้นหาความรู้ (เอิบกฎ) จากการจัดอันดับของผู้ใช้ในชุดข้อมูลหลายเงื่อนไข สร้างฟังก์ชันสมาชิกที่เหมาะสม (MFs) บุหรี่คาดเดาและป้อนข้อมูลที่คุณเลือก ใช้วิธีการค้นหาที่ครบถ้วนสมบูรณ์สำหรับการเลือกสำหรับการป้อนค่า กำหนดปัจจัยการผลิตที่มีประสิทธิภาพเพื่อสร้างแบบจำลอง ANFIS ในคลัสเตอร์สร้างขึ้นทั้งหมด นอก ใหม่ปุยตามกระบวน ถ่วงน้ำหนักเอิบ MC-CF (WFuMC-CF), เอิบ Euclidean MC-CF (FuEucMC-CF) และ Fuzzy เฉลี่ย MC-CF (FuAvgMC-CF), มีแสดงสำหรับงานการคาดเดาใน CF หลายเงื่อนไข FuEucMC CF และ FuAvgMC CF อัลกอริทึมใช้เอิบตามระยะ Euclidian เอิบขึ้นคล้ายเฉลี่ย ตามลำดับ อัลกอริทึม WFuMC CF ใช้ปุยจากผู้ใช้ และสินค้าตามคาดเดาวิธีการถ่วงน้ำหนัก ผลการทดลองบนชุดข้อมูลจริงแสดงให้เห็นว่า วิธีเสนอไฮบริทแบบเพิ่มความถูกต้องของ CF หลายเงื่อนไขเกี่ยวกับวิธีการก่อนหน้านี้ตามการจัดอันดับหลายเงื่อนไข © 2013 Elsevier จำกัด สงวนลิขสิทธิ์ทั้งหมด

ผลลัพธ์ (ไทย) 3:

ระบบมีผู้แนะนำเทคนิคและเครื่องมือซอฟต์แวร์สำหรับรายการแนะนำในแฟชั่นแบบอัตโนมัติไปยังผู้ใช้เพื่อปรับแต่งการตั้งค่าของพวกเขา การประสานการทำงานร่วมกันการกรอง( CF )เทคนิคซึ่งเป็นความพยายามในการทำนายว่าข้อมูลจะตอบสนองความต้องการของผู้ใช้ที่ออกจากพื้นที่ของผู้คนอย่างที่มีใจจะกลายเป็นที่นิยมมากขึ้นซึ่งเป็นวิธีที่จะเอาชนะโอเวอร์โหลดข้อมูลได้CF แบบมัลติ - ตามเกณฑ์ตามที่แสดงถึงความเป็นไปได้ที่จะจัดให้บริการคำแนะนำได้อย่างถูกต้องโดยการพิจารณาถึงการตั้งค่าของผู้ใช้ในด้านต่างๆและวิธีการต่างๆได้รับการเสนอในการเพิ่มความถูกต้องแม่นยำของระบบเหล่านี้ แต่ถึงอย่างไรก็ตามยังมีปัญหาของคำแนะนำแบบมัลติ - เงื่อนไขเดียวกับการจัดอันดับความน่าเชื่อถือและโดยรวมที่ได้รับการพิจารณาให้เป็นปัญหาการปรับแต่งที่ยังคงอยู่ ในการเพิ่มการเพิ่มความแม่นยำในการคาดเดารายการที่เหมาะสมที่ปรับให้เหมาะสมกับความต้องการของผู้ใช้ที่มีอยู่ในของความท้าทายหลักที่อยู่ในระบบนี้ ดังนั้นในการวิจัยนี้แนะนำวิธีการใหม่โดยใช้ระบบคลัสเตอร์ Adaptive Slot neuro-fuzzy ลงความเห็นได้ระบบ( anfis )และ self-organizing แผนที่( SOM )มีการเสนอแนวทางในการปรับปรุงความถูกต้องแม่นยำของเกณฑ์ให้แบบคาดการณ์เอาไว้แล้ว ในการวิจัยนี้โสมช่วยให้เราสามารถสร้างคลัสเตอร์ คุณภาพ สูงของ anfis dataset และใช้สำหรับการสำรวจความรู้( fuzzy logic )จากการจัดอันดับของผู้ใช้ในการสร้างเกณฑ์ dataset ฟังก์ชันการเป็นสมาชิกที่เหมาะสม( Module MFS )การเลือกอินพุตการคาดการณ์และการจัดอันดับทั้งหมด การค้นหาโดยใช้วิธีแลกมาด้วยความเหนื่อยล้าสำหรับการเลือกอินพุตอินพุตที่ใช้ได้จะได้รับการกำหนดในการสร้างรูปแบบ anfis ที่ถูกสร้างขึ้นในระบบคลัสเตอร์ทั้งหมด ยิ่งไปกว่านั้นยังทำงาน Fuzzy Logic อัจฉริยะแห่งระบบหุงอัลกอริธึมแบบใหม่ซึ่งทำงานด้วยระบบ Fuzzy Logic ถ่วงน้ำหนัก MC - CF ( wfumc - CF )ทำงาน Fuzzy Logic อัจฉริยะแห่งระบบหุงตามแบบยูคลิด MC - CF ( fueucmc - CF )และทำงานด้วยระบบ Fuzzy Logic โดยเฉลี่ย MC - CF ( fuavgmc - CF )มีการแสดงสำหรับงานในการทำนายให้แบบมัลติ - ตามเกณฑ์อัลกอริธึม fueucmc - CF และ fuavgmc - CF ใช้ระยะห่างตามแบบยูคลิดทำงาน Fuzzy Logic อัจฉริยะแห่งระบบหุงแบบที่ใช้กันโดยเฉลี่ยและทำงานด้วยระบบ Fuzzy Logic - ใช้อัลกอริธึม wfumc ตามลำดับ - CF จะใช้ทำงานด้วยระบบ Fuzzy Logic - ผู้ใช้ - การคาดเดารายการและในการถ่วงน้ำหนัก Aผลการทดลองใน dataset โลกจริงๆแสดงให้เห็นว่าวิธีการใดวิธีการหนึ่งระบบไฮบริดที่เสนอให้ปรับปรุงความถูกต้องอย่างเห็นได้ชัดในรูปแบบ Multi - เกณฑ์ CF ในความสัมพันธ์กับวิธีการก่อนหน้าที่ตามแบบมัลติ - ตามเกณฑ์การให้คะแนน ©ปี 2013 elsevier จำกัดสงวนสิทธิ์ตามกฎหมาย