When recommender applications provi

When recommender applications provide identical recommendations to each customer, the application is classified as non- personalized. The specific recommendations may be based on manual selection, statistical summarization, or other techniques. Many of the E-commerce recommendation examples are non-personalized. Top-sellers, editor choices, average ratings, and unfiltered customer comments all present the same recommendations to each customer of the system.

Recommenders that use current customer inputs to customize the recommendation to the customer’s current interests provide ephemeral personalization. This is a step above non-personalized recommenders because it provides recommendations that are responsive to the customer's navigation and selection. Particular implementations may be more or less personal, however. A recommender application with a high degree of ephemeral personalization would be one that uses an entire current browsing session or shopping cart to recommend items. Conversely, a recommender application that simply attaches recommendations to the current item is nearly non-personalized. Ephemeral personalization is usually based on item-to-item correlation, attribute-based recommendation, or both. Examples of ephemeral personalization include CDNOW's multi-item Album Advisor and certain versions of Drugstore.com’s Advisors. Both take information provided by the customer at recommendation time and return a list of suggestions from that ephemeral context.


The most highly-personalized recommender applications use persistent personalization to create recommendations that differ for different customers, even when they are looking at the same items. These persistent recommenders employ user-to-user correlation, attribute-based recommendation using persistent attribute preferences, or item-to-item correlation based on persistent item preferences. They require customers to maintain persistent identities, but reward them with the greatest level of personal recommendation. Examples of persistent personalization include My CDNOW, which uses user-to-user correlation, and Amazon.com's Eyes and eBay's Personal Shopper, which use persistent attribute recommendation.

ผลลัพธ์ (ไทย) 1:

เมื่อโปรแกรมประยุกต์ผู้แนะนำให้คำแนะนำเหมือนกันลูกค้าแต่ละราย แอพลิเคชันถูกจัดประเภทส่วนบุคคล-ไม่เป็น คำแนะนำเฉพาะอาจจะขึ้นอยู่กับเลือกด้วยตนเอง สรุปสถิติ หรือเทคนิคอื่น ๆ ตัวอย่างคำแนะนำเกี่ยวกับอีคอมเมิร์ซมากมายไม่ใช่ส่วนบุคคล ผู้ ขายด้านบน ตัวเลือกแก้ไข จัดอันดับค่าเฉลี่ย และคิดไม่ได้กรองแสดงคำแนะนำเดียวกันลูกค้าแต่ละระบบRecommenders ที่ใช้อินพุตลูกค้าปัจจุบันเพื่อกำหนดประโยชน์ของลูกค้าปัจจุบันที่แนะนำ ให้ตั้งค่าข้อมูลแบบชั่วคราว นี้เป็นขั้นตอนข้างต้นไม่ใช่ส่วนบุคคล recommenders เนื่องจากให้คำแนะนำที่ตอบสนองต่อการเลือกและนำทางของลูกค้า ใช้งานเฉพาะได้น้อยส่วนตัว อย่างไรก็ตาม ผู้แนะนำโปรแกรมประยุกต์กับระดับสูงของส่วนบุคคลข้อมูลแบบชั่วคราวจะเป็นหนึ่งที่ใช้เซสชันการเรียกดูปัจจุบันทั้งการเข็นเพื่อแนะนำสินค้า ในทางกลับกัน ใบสมัครผู้แนะนำที่เพียงแค่มีคำแนะนำสินค้าปัจจุบันเป็นเกือบไม่ส่วนบุคคล ตั้งค่าข้อมูลแบบชั่วคราวมักจะอยู่กับความสัมพันธ์รายการสินค้า แนะนำใช้แอตทริบิวต์ หรือทั้งสอง ตัวอย่างของส่วนบุคคลข้อมูลแบบชั่วคราวได้แก่ที่ปรึกษาของ CDNOW สินค้าหลายอัลบั้มและบางรุ่นของ Drugstore.com ปรึกษา ทั้งใช้ข้อมูลโดยลูกค้าที่แนะนำเวลา และกลับรายการของคำแนะนำจากบริบทที่ข้อมูลแบบชั่วคราวใบสมัครผู้แนะนำที่สุดสูงส่วนบุคคลใช้ส่วนบุคคลแบบถาวรเพื่อสร้างคำแนะนำที่แตกต่างสำหรับลูกค้าที่แตกต่างกัน แม้ว่าพวกเขากำลังมองหาที่รายการเดียวกัน Recommenders แบบนี้จ้างความสัมพันธ์ผู้ใช้ผู้ใช้ คุณลักษณะตามคำแนะนำโดยใช้แอตทริบิวต์แบบกำหนดลักษณะ หรือความสัมพันธ์รายการสินค้าตามรายการแบบกำหนดลักษณะ พวกเขาต้องการลูกค้า เพื่อรักษาเอกลักษณ์แบบ ตอบ โดยส่วนตัวแนะนำ ตัวอย่างของส่วนบุคคลแบบถาวรได้แก่ CDNOW ของฉัน ซึ่งใช้ความสัมพันธ์ของผู้ใช้ผู้ใช้ และตาของ Amazon.com และนักช้อปส่วนบุคคลของ eBay ซึ่งใช้แบบของแอตทริบิวต์คำแนะนำ

ผลลัพธ์ (ไทย) 2:

เมื่อการใช้งานผู้แนะนำให้คำแนะนำเหมือนกันกับลูกค้าแต่ละโปรแกรมประยุกต์ที่ถูกจัดเป็นบุคคลที่ไม่ใช่ คำแนะนำเฉพาะอาจจะขึ้นอยู่กับการเลือกด้วยตนเองสรุปสถิติหรือเทคนิคอื่น ๆ หลายตัวอย่างคำแนะนำ E-commerce ที่มีบุคคลที่ไม่ใช่ ผู้ขาย Top-เลือกบรรณาธิการคะแนนเฉลี่ยและความคิดเห็นของลูกค้าที่ไม่ได้กรองทั้งหมดนำเสนอคำแนะนำเดียวกันกับลูกค้าของระบบแต่ละ. Recommenders ที่ใช้ปัจจัยการผลิตของลูกค้าในปัจจุบันในการปรับแต่งคำแนะนำเพื่อผลประโยชน์ของลูกค้าในปัจจุบันให้ส่วนบุคคลชั่วคราว นี่คือขั้นตอนข้างต้น Recommenders ที่ไม่ใช่ส่วนบุคคลเพราะมีข้อเสนอแนะที่มีการตอบสนองที่จะนำทางของลูกค้าและการเลือก โดยเฉพาะอย่างยิ่งการใช้งานอาจจะมากหรือน้อยส่วนบุคคลอย่างไรก็ตาม แอปพลิเค recommender ที่มีระดับสูงของส่วนบุคคลชั่วคราวจะเป็นหนึ่งที่ใช้การเรียกดูปัจจุบันทั้งหมดหรือตะกร้าช้อปปิ้งที่จะแนะนำรายการ ตรงกันข้ามการประยุกต์ใช้ recommender ที่เพียงแนบข้อเสนอแนะต่อรายการปัจจุบันเกือบบุคคลที่ไม่ใช่ ส่วนบุคคลชั่วคราวมักจะขึ้นอยู่กับความสัมพันธ์รายการต่อรายการคำแนะนำแอตทริบิวต์ที่ใช้หรือทั้งสองอย่าง ตัวอย่างของส่วนบุคคลชั่วคราวรวม CDNOW หลายรายการอัลบั้มปรึกษาและบางรุ่นที่ปรึกษา Drugstore.com ของ ทั้งสองใช้เวลาให้ข้อมูลโดยลูกค้าในเวลาคำแนะนำและการกลับรายการของข้อเสนอแนะจากบริบทที่ยั่งยืน. สูงที่สุดการใช้งานส่วนบุคคล recommender ใช้ส่วนบุคคลถาวรที่จะสร้างคำแนะนำที่แตกต่างสำหรับลูกค้าที่แตกต่างกันแม้ในขณะที่พวกเขากำลังมองหาที่รายการเดียวกัน เหล่านี้ Recommenders ถาวรจ้างความสัมพันธ์ของผู้ใช้ที่จะใช้ข้อเสนอแนะแอตทริบิวต์โดยใช้การตั้งค่าแอตทริบิวต์ถาวรหรือความสัมพันธ์รายการต่อรายการขึ้นอยู่กับการตั้งค่ารายการถาวร พวกเขาต้องการที่จะรักษาลูกค้าตัวตนถาวร แต่ตอบแทนพวกเขาที่มีระดับที่ยิ่งใหญ่ที่สุดของคำแนะนำส่วนบุคคล ตัวอย่างของส่วนบุคคลถาวรรวมของฉัน CDNOW ซึ่งใช้ความสัมพันธ์ระหว่างผู้ใช้กับผู้ใช้และ Amazon.com ของตาและอีเบย์ Personal Shopper ซึ่งใช้คำแนะนำแอตทริบิวต์ถาวร

ผลลัพธ์ (ไทย) 3:

When recommender applications provide identical recommendations to each customer, the application is classified as non- personalized. The specific recommendations may be based on manual selection, statistical summarization, or other techniques. Many of the E-commerce recommendation examples are non-personalized. Top-sellers, editor choices, average ratings,ความคิดเห็นของลูกค้าปัจจุบัน และฐานเดียวกันแนะนำแต่ละลูกค้าของระบบ ที่ปัจจุบันลูกค้า

recommenders ใช้ปัจจัยการผลิตเพื่อปรับแต่งให้คำแนะนำลูกค้าในปัจจุบันความสนใจให้ชั่วคราวของคุณส่วนบุคคล . This is a step above non-personalized recommenders because it provides recommendations that are responsive to the customer's navigation and selection. Particular implementations may be more or less personal, however. A recommender application with a high degree of ephemeral personalization would be one that uses an entire current browsing session or shopping cart to recommend items. Conversely, a recommender application that simply attaches recommendations to the current item is nearly non-personalized. Ephemeral personalization is usually based on item-to-item correlation, attribute-based recommendation, or both. Examples of ephemeral personalization include CDNOW's multi-item Album Advisor and certain versions of Drugstore.com’s Advisors. Both take information provided by the customer at recommendation time and return a list of suggestions from that ephemeral context.


The most highly-personalized recommender applications use persistent personalization to create recommendations that differ for different customers, even when they are looking at the same items. These persistent recommenders employ user-to-user correlation, attribute-based recommendation using persistent attribute preferences, or item-to-item correlation based on persistent item preferences. They require customers to maintain persistent identities, but reward them with the greatest level of personal recommendation. Examples of persistent personalization include My CDNOW, which uses user-to-user correlation, and Amazon.com's Eyes and eBay's Personal Shopper, which use persistent attribute recommendation.