Constructing the item evaluation cr

Constructing the item evaluation criteria. More research needs to be done on
choosing or constructing the best set of criteria for evaluating an item. For example,
most of current multi-criteria rating recommenders require users to rate an item on
multiple criteria at a single level (e.g., story and special effects of a movie). This
single level of criteria could be further broken down into sub-criteria, and there
could be multiple levels depending on the given problem. For example, in a movie
recommender system, special effects could be again divided into sound and graphic
effects. More information with multiple levels of criteria could potentially help to
better understand user preferences, and various techniques, such as the analytic hierarchy process (AHP), can be used to consider the hierarchy of criteria [78], as
Schmitt et al. [85] propose to do in their system. As we consider more criteria for
each item, we may also need to carefully examine the correlation among criteria
because the choice of criteria may significantly affect the recommendation quality.
Furthermore, as mentioned earlier, it is important to have a consistent family of
criteria for a given recommender system application because then the criteria are
monotonic, exhaustive, and non-redundant. In summary, constructing a set of criteria for a given recommendation problem is an interesting and important topic for
future research.
Dealing with missing multi-criteria ratings. Multi-criteria recommender systems
typically would require the users to provide more data to such systems than their
single-rating counterparts, thus increasing the likelihood of obtaining missing or incomplete data. One popular technique to deal with missing data is the expectation
maximization (EM) algorithm [18] that finds maximum likelihood estimates for incomplete data. In particular, the probabilistic modeling approach for multi-criteria
rating prediction proposed by [79] uses the EM algorithm to predict values of the
missing ratings in multi-criteria rating settings. The applicability of other existing
techniques in this setting should be explored, and novel techniques could be developed by considering the specifics of multi-criteria information, such as the possible
relationships between different criteria.

ผลลัพธ์ (ไทย) 1:

สร้างเกณฑ์การประเมินรายการ เพิ่มเติมงานวิจัยจำเป็นต้องทำในเลือก หรือสร้างเกณฑ์สำหรับประเมินสินค้าชุดดีที่สุด ตัวอย่างrecommenders จัดอันดับหลายเงื่อนไขปัจจุบันส่วนใหญ่ต้องการผู้ใช้ให้คะแนนสินค้าบนหลายเงื่อนไขในระดับหนึ่ง (เช่น เรื่องราวและลักษณะพิเศษของภาพยนตร์) นี้เกณฑ์ระดับเดียวสามารถเพิ่มเติมแบ่งออกเป็นเกณฑ์ย่อย และมีอาจมีหลายระดับขึ้นอยู่กับการกำหนดปัญหา ในภาพยนตร์ตัวอย่างผู้แนะนำระบบ ลักษณะพิเศษได้อีกแบ่งเสียงและกราฟิกผลกระทบ อาจจะช่วยเพิ่มเติมข้อมูล มีหลายระดับของเกณฑ์เข้าใจการกำหนดลักษณะผู้ใช้ และเทคนิคต่าง ๆ เช่นการสร้างลำดับชั้น (AHP), สามารถใช้ในการพิจารณาของเงื่อนไข [78],Schmitt et al. [85] เสนอทำในระบบของพวกเขา เราพิจารณาเงื่อนไขเพิ่มเติมสำหรับสินค้าแต่ละรายการ เราอาจจะต้องระมัดระวังตรวจสอบความสัมพันธ์ระหว่างเกณฑ์เนื่องจากทางเลือกของเงื่อนไขอาจมีผลต่อ significantly คุณภาพแนะนำนอกจากนี้ ตามที่กล่าวถึงก่อนหน้านี้ จะต้องมีครอบครัวสอดคล้องของเงื่อนไขสำหรับการใช้ระบบผู้แนะนำให้เพราะ นั้นเป็นเกณฑ์monotonic หมดแรง และไม่ซ้ำซ้อนกัน ในสรุป สร้างชุดของเงื่อนไขสำหรับคำแนะนำกำหนดปัญหาเป็นหัวข้อน่าสนใจ และสำคัญสำหรับการวิจัยในอนาคตการจัดการกับการจัดอันดับหลายเงื่อนไขที่ขาดหายไป ผู้แนะนำเงื่อนไขหลายระบบโดยทั่วไปจะต้องมีผู้ให้ข้อมูลเพิ่มเติมให้ระบบดังกล่าวกว่าของพวกเขาการจัดอันดับเดียวคู่ เป็น การเพิ่มโอกาสของการได้รับข้อมูลที่ขาดหายไป หรือไม่สมบูรณ์ เทคนิคยอดนิยมหนึ่งในการจัดการกับข้อมูลที่ขาดหายไปคือ ความคาดหวังmaximization (EM) อัลกอริทึม [18] ที่สามารถประเมินความเป็นไปได้สูงสุด finds สำหรับข้อมูลที่ไม่สมบูรณ์ โดยเฉพาะอย่างยิ่ง วิธีสร้างโมเดล probabilistic หลายเงื่อนไขทายผลคะแนนเสนอ [79] โดยใช้อัลกอริทึม EM เพื่อทำนายค่าของการจัดอันดับที่หายไปในการตั้งค่าการจัดอันดับหลายเงื่อนไข ความเกี่ยวข้องของของอื่น ๆ ที่มีอยู่เทคนิคในการตั้งค่านี้ควรจะสำรวจ และนวนิยายเทคนิคสามารถพัฒนาได้ โดยการพิจารณา specifics ของข้อมูลหลายเงื่อนไข เช่นสุดความสัมพันธ์ระหว่างเงื่อนไขแตกต่างกัน

ผลลัพธ์ (ไทย) 2:

การสร้างเกณฑ์การประเมินรายการ การวิจัยอื่น ๆ ที่ต้องทำใน
การเลือกหรือการสร้างชุดที่ดีที่สุดของเกณฑ์การประเมินรายการ ยกตัวอย่างเช่น
ในปัจจุบันส่วนใหญ่ของหลายเกณฑ์คะแนน Recommenders กำหนดให้ผู้ใช้ให้คะแนนรายการใน
หลายเกณฑ์ในระดับเดียว (เช่นเรื่องราวและเทคนิคพิเศษของหนัง) นี้
ระดับเดียวของเกณฑ์อาจจะมีการแบ่งออกเป็นหลักเกณฑ์ย่อยและมี
อาจจะมีหลายระดับขึ้นอยู่กับปัญหาที่กำหนด ยกตัวอย่างเช่นในภาพยนตร์
ระบบ recommender เทคนิคพิเศษสามารถแบ่งออกอีกครั้งในกราฟิกเสียงและ
ผลกระทบ ข้อมูลเพิ่มเติมที่มีหลายระดับของเกณฑ์อาจจะช่วยในการ
ทำความเข้าใจการตั้งค่าของผู้ใช้และเทคนิคต่างๆเช่นการวิเคราะห์กระบวนการลำดับชั้น (AHP) สามารถนำมาใช้ในการพิจารณาลำดับชั้นของเกณฑ์ [78] ในขณะที่
มิต et al, [85] เสนอที่จะทำในระบบของพวกเขา ในขณะที่เราพิจารณาหลักเกณฑ์เพิ่มเติมสำหรับ
แต่ละรายการที่เราอาจจะยังต้องตรวจสอบอย่างละเอียดความสัมพันธ์ระหว่างเกณฑ์
เพราะทางเลือกของเกณฑ์ที่อาจมีนัยสำคัญสายอย่างมีผลต่อคุณภาพคำแนะนำ.
นอกจากนี้ตามที่กล่าวไว้ก่อนหน้านี้ก็เป็นสิ่งสำคัญที่จะมีครอบครัวที่สอดคล้อง
เกณฑ์ ได้รับการประยุกต์ใช้ระบบ recommender แล้วเพราะเกณฑ์ที่มีความ
ต่อเนื่อง, หมดจดและไม่ซ้ำซ้อน ในการสรุปการสร้างชุดของเกณฑ์สำหรับปัญหาข้อเสนอแนะที่ได้รับเป็นหัวข้อที่น่าสนใจและมีความสำคัญสำหรับ
การวิจัยในอนาคต.
การจัดการกับการจัดอันดับที่ขาดหายไปหลายเกณฑ์ เกณฑ์หลายระบบ recommender
โดยปกติจะกำหนดให้ผู้ใช้เพื่อให้ข้อมูลเพิ่มเติมเพื่อระบบดังกล่าวของพวกเขากว่า
counterparts คะแนนเดียวซึ่งจะเป็นการเพิ่มโอกาสของการได้รับหายไปหรือข้อมูลที่ไม่สมบูรณ์ หนึ่งในเทคนิคที่นิยมในการจัดการกับข้อมูลที่ขาดหายไปคือความคาดหวัง
สูงสุด (EM) อัลกอริทึม [18] ที่สาย nds โอกาสสูงสุดประมาณการสำหรับข้อมูลที่ไม่สมบูรณ์ โดยเฉพาะอย่างยิ่งวิธีการสร้างแบบจำลองความน่าจะเป็นเกณฑ์หลาย
ทำนายคะแนนที่เสนอโดย [79] ใช้อัลกอริทึม EM ในการทำนายค่าของ
การจัดอันดับที่ขาดหายไปในหลายเกณฑ์การตั้งค่าคะแนน การบังคับใช้ของที่มีอยู่อื่น ๆ
เทคนิคในการตั้งค่านี้ควรได้รับการสำรวจและเทคนิคนวนิยายอาจได้รับการพัฒนาโดยพิจารณาจากสาย speci cs ข้อมูลหลายเกณฑ์ดังกล่าวเป็นไปได้
ความสัมพันธ์ระหว่างเกณฑ์ที่แตกต่าง

ผลลัพธ์ (ไทย) 3:

การสร้างรายการเกณฑ์การประเมิน . การวิจัยเพิ่มเติมจะต้องทำในการเลือกชุดที่ดีที่สุด
หรือการสร้างเกณฑ์สำหรับประเมินรายการ ตัวอย่างเช่น ปัจจุบันเกณฑ์การประเมิน
ส่วนใหญ่ของหลาย recommenders ให้ผู้ใช้ให้คะแนนสินค้า
หลายเกณฑ์ในระดับเดียว ( เช่น เรื่องราว และเทคนิคพิเศษของหนัง ) นี้
ระดับหนึ่งของเกณฑ์ที่สามารถเพิ่มเติมแบ่งออกเป็นจำนวนย่อยและมี
อาจจะมีหลายระดับ ขึ้นอยู่กับการระบุปัญหา ตัวอย่างเช่นในระบบแนะนำภาพยนตร์
พิเศษได้อีกแบ่งออกเป็นเสียงและกราฟิกผล . ข้อมูลเพิ่มเติม มีหลายระดับของเกณฑ์อาจช่วย

เข้าใจความชอบของผู้ใช้ และเทคนิคต่าง ๆเช่น กระบวนการลำดับชั้นเชิงวิเคราะห์ ( AHP ) สามารถใช้ในการพิจารณาลำดับขั้นเกณฑ์ [ 78 ] ,
Schmitt et al . [ 85 ] เสนอให้ทำในระบบของพวกเขา เมื่อเราพิจารณาหลักเกณฑ์เพิ่มเติมสำหรับ
แต่ละรายการ เราอาจต้องการตรวจสอบความสัมพันธ์ระหว่างเกณฑ์
เพราะทางเลือกของเงื่อนไขที่อาจมีผลกระทบต่อคุณภาพ signi จึงลดลงอย่างมีนัยสําคัญเมื่อแนะนำ
นอกจากนี้ ตามที่กล่าวถึงก่อนหน้านี้มันเป็นสิ่งสำคัญที่จะมีครอบครัวที่สอดคล้องกันของ
เกณฑ์สำหรับการแนะนำระบบแล้วเพราะเกณฑ์อย่างละเอียด และนอกเนื่อง
, ) ในการสรุป , การสร้างชุดของเกณฑ์สำหรับให้คำแนะนำปัญหาที่น่าสนใจและที่สำคัญหัวข้อสำหรับการวิจัยในอนาคตที่เกี่ยวข้องกับ
.
หายไปหลายเกณฑ์การให้คะแนน แนะนำระบบ
หลายเกณฑ์โดยทั่วไปจะต้องมีผู้ใช้เพื่อให้ข้อมูลเพิ่มเติมกับระบบดังกล่าวกว่า counterparts ของพวกเขา
อันดับเดียว ฉะนั้น การเพิ่มโอกาสของการได้รับการขาดหายไปหรือข้อมูลที่ไม่สมบูรณ์ เทคนิคหนึ่งที่นิยมเพื่อจัดการกับข้อมูลที่ขาดหายไปคือความคาดหวังสูงสุด
( EM ) ขั้นตอนวิธี [ 18 ] NDS ความเป็นไปได้สูงสุดจึงประมาณการสำหรับข้อมูลที่ไม่สมบูรณ์ โดยเฉพาะอย่างยิ่งวิธีการแบบจำลองความน่าจะเป็นสำหรับหลายเกณฑ์การประเมินการทำนายที่เสนอโดย
[ 79 ] ใช้ขั้นตอนวิธีอีเอ็มเพื่อทำนายค่า
หายไปหลายคะแนนอันดับในเกณฑ์การตั้งค่า การประยุกต์ใช้เทคนิคในการตั้งค่าอื่น ๆที่มีอยู่
นี้ควรสํารวจ และสามารถพัฒนาเทคนิคใหม่ โดยพิจารณาจากประเภทของข้อมูลจึง CS หลายเกณฑ์ เช่นเป็นไปได้
ความสัมพันธ์ระหว่าง
เกณฑ์ที่แตกต่างกัน