Breese et al. [15] implement a Baye

Breese et al. [15] implement a Bayesian Network where each node corresponds to each item. The states correspond to each possible vote value. In the network, each item will have a set of parent items that are its best predictors. The conditional prob- ability tables are represented by decision trees. The authors report better results for this model than for several nearest-neighbors implementations over several datasets. Hierarchical Bayesian Networks have also been used in several settings as a way to add domain-knowledge for information filtering [78]. One of the issues with hierarchical Bayesian networks, however, is that it is very expensive to learn and update the model when there are many users in it. Zhang and Koren [79] propose a variation over the standard Expectation-Maximization (EM) model in order to speed up this process in the scenario of a content-based RS.

ผลลัพธ์ (ไทย) 1:

Al. ร้อยเอ็ด breese [15] ใช้ทฤษฎีเครือข่ายที่แต่ละโหนดสอดคล้องกับแต่ละรายการ อเมริกาสอดคล้องกับแต่ละค่าคะแนนที่ได้ ในเครือข่าย สินค้าแต่ละรายการจะมีการตั้งค่าของรายการหลักที่ predictors ของสุด ตารางสามารถ prob แบบมีเงื่อนไขจะแสดง โดยต้นไม้ตัดสินใจ ผู้เขียนรายงานผลลัพธ์ที่ดีขึ้นสำหรับรูปแบบนี้มากกว่าสำหรับการใช้งานต่าง ๆ ใกล้บ้านมากกว่า datasets หลาย เครือข่ายทฤษฎีลำดับชั้นยังถูกใช้ในการตั้งค่าต่าง ๆ เป็นวิธีการเพิ่มโดเมน-ความรู้สำหรับข้อมูล filtering [78] ประเด็นเครือข่ายทฤษฎีลำดับชั้น อย่างไรก็ตาม เป็นที่มีราคาแพงมากที่จะเรียนรู้ และปรับปรุงรูปแบบเมื่อมีผู้ใช้หลายคนใน จางและ Koren [79] เสนอความผันแปรมากกว่าแบบมาตรฐาน Maximization ความคาดหวัง (EM) เร็วขึ้นกระบวนการนี้ในสถานการณ์ของ RS ที่ตามเนื้อหา

ผลลัพธ์ (ไทย) 2:

Breese et al, [15] ใช้คชกรรมเครือข่ายที่แต่ละโหนดที่สอดคล้องกับแต่ละรายการ รัฐตรงกับค่าที่เป็นไปได้ออกเสียงลงคะแนนในแต่ละ ในเครือข่ายของแต่ละรายการจะมีชุดของรายการที่ผู้ปกครองที่มีการพยากรณ์ที่ดีที่สุด เงื่อนไขกำหนดปัญหาที่ตารางความสามารถเป็นตัวแทนของต้นไม้ตัดสินใจ ผู้เขียนรายงานผลลัพธ์ที่ดีกว่าสำหรับรุ่นนี้กว่าหลายประเทศเพื่อนบ้านที่ใกล้ที่สุด-การใช้งานในช่วงหลายชุดข้อมูล เครือข่ายแบบเบย์ตามลำดับชั้นได้ถูกนำมาใช้ในการตั้งค่าหลายวิธีที่จะเพิ่มความรู้โดเมน ltering สาย​​ข้อมูล [78] หนึ่งในประเด็นที่มีเครือข่ายแบบเบย์ลำดับชั้น แต่ก็คือว่ามันมีราคาแพงมากที่จะเรียนรู้และปรับปรุงรูปแบบเมื่อมีผู้ใช้หลายคนในนั้น วอชิงตันโพสต์และโคเรน [79] เสนอรูปแบบที่ผ่านมาตรฐานความคาดหวัง-ปรับปรุงสูงสุด (EM) รูปแบบในการสั่งซื้อเพื่อเพิ่มความเร็วในกระบวนการนี​​้ในสถานการณ์ของอาร์เอสเนื้อหาตาม

ผลลัพธ์ (ไทย) 3:

บรีส et al . [ 15 ] ใช้งานเครือข่ายที่แต่ละโหนดที่สอดคล้องกับแต่ละรายการ รัฐสอดคล้องกับแต่ละที่สุดโหวตค่า ในเครือข่ายของแต่ละรายการจะมีชุดของรายการที่ถูกทำนายแม่ที่ดีที่สุดของ ปัญหา - เงื่อนไขตารางความสามารถเป็นตัวแทนของต้นไม้เพื่อการตัดสินใจรายงานเขียนผลลัพธ์ที่ดีกว่าสำหรับรุ่นนี้หลายๆ เพื่อนบ้านที่ใกล้ที่สุดซึ่งกว่าหลายชุดข้อมูล เครือข่ายแบบลำดับชั้นยังถูกใช้ในการตั้งค่าหลายเป็นวิธีที่จะเพิ่มความรู้โดเมนสำหรับข้อมูลจึง ltering [ 78 ] หนึ่งในปัญหากับเครือข่ายแบบลำดับชั้น , อย่างไรก็ตามคือว่า มันแพงมากที่จะเรียนรู้และปรับปรุงรูปแบบเมื่อมีผู้ใช้หลายคนในนั้น จางและราก [ 79 ] เสนอการแปรผันมีความคาดหวังแบบมาตรฐาน ( EM ) เพื่อเพิ่มความเร็วในกระบวนการนี้ในสถานการณ์ของเนื้อหา .