Item-based approaches such as [3, 1

Item-based approaches such as [3, 11, 15] apply the same
idea, but use similarity between items instead of users. As
illustrated in Fig. 1(c), the unknown rating of a test item by
a test user can be predicted by averaging the ratings of other
similar items rated by this test user [15]. Again, each item
(column vector) is sorted and re-indexed according to its
dis-similarity towards the test item in the user-item matrix,
and, ratings from more similar items are weighted stronger.
Formally (see also [15]),
xbk,m =
X
ib∈Si(im)
si(im, ib)(xk,b)
X
ib∈Si(im)
si(im, ib)
(3)
Where item similarity si(im, ib) can be approximated by the
cosine measure or Pearson correlation [11, 15]. To remove
the difference in rating scale between users when computing
the similarity, [15] has proposed to adjust the cosine similarity
by subtracting the user’s average rating from each
co-rated pair beforehand. We adopt this similarity measure
in this paper. Like the top-N similar users, a set of top-N
similar items towards item m, denoted as Si(im), can be
generated according to:
Si(im) = {ib|rank si(im, ib) ≤ N, xk,b 6= ∅} (4)
Fig. 1(c) illustrates how Eq. 3 takes only the known similar
item ratings by the test user into account for prediction.
We refer to these ratings as the set of ‘similar item ratings’
(the blocks with downward diagonal pattern in Fig. 1(c)):
SIRk,m = {xk,b|ib ∈ Si(im)}. Again, for simplicity, we drop
the subscript k, m of SIRk,m in the remainder of the paper.

ผลลัพธ์ (ไทย) 1:

ใช้วิธีตามสินค้า [3, 11, 15] เหมือนกันความคิด ได้ใช้ความคล้ายคลึงกันระหว่างสินค้าแทนผู้ใช้ เป็นใข Fig. 1(c) จัดอันดับสินค้าทดสอบโดยไม่รู้จักสามารถทำนายผู้ทดสอบ โดยหาค่าเฉลี่ยการจัดอันดับของอื่น ๆสินค้าที่คล้ายกันที่คะแนนผู้ใช้ทดสอบนี้ [15] อีกครั้ง แต่ละรายการ(เวกเตอร์คอลัมน์) จะเรียงลำดับ และดัชนีใหม่ตามความdis-similarity ต่อสินค้าทดสอบในเมตริกซ์สินค้าผู้ใช้ก จัดอันดับสินค้าที่คล้ายกันมากจะถ่วงน้ำหนักที่แข็งแกร่งอย่างเป็นกิจจะลักษณะ (ดู [15]),xbk, m =Xib∈Si(im)ศรี (im, ib)(xk,b)Xib∈Si(im)ศรี (im, ib)(3)ที่สินค้ามิใช่น้อยศรี (im, ib) สามารถเลียนแบบโดยการวัดโคไซน์หรือสหสัมพันธ์เพียร์สัน [11, 15] การเอาออกความแตกต่างในการจัดอันดับผู้ใช้เมื่อคำนวณความคล้ายคลึงกัน, [15] ได้เสนอการปรับปรุงเฉพาะโคไซน์โดยคะแนนเฉลี่ยของผู้ใช้จากการลบคู่ร่วมจัดอันดับไว้ล่วงหน้า เรานำมาใช้วัดความคล้ายคลึงกันนี้ในเอกสารนี้ เช่น N ด้านบนคล้ายผู้ใช้ ชุด N ด้านบนรายคล้ายไปทาง m สินค้า ตาม Si(im)สร้างตาม:Si(im) = { ib|rank ศรี (im, ib) ≤ N, b 6, xk =∅} (4)Fig. 1(c) แสดงวิธี Eq. 3 เวลาเท่านั้นเป็นที่รู้จักเหมือนกันจัดอันดับสินค้าผู้ทดสอบเข้าบัญชีสำหรับการคาดเดาเราหมายถึงการจัดอันดับเหล่านี้เป็นชุดของ 'คล้ายสินค้าจัดอันดับ'(บล็อกลายทแยงมุมลงใน Fig. 1(c)):SIRk, m = { xk, b|ib ∈ Si(im) } อีก ราย เราปล่อยตัวห้อย k, m SIRk, m ในส่วนเหลือของกระดาษ

ผลลัพธ์ (ไทย) 2:

วิธีการสินค้าที่ใช้อย่างเช่น [3, 11, 15] เช่นเดียวกัน
ความคิด แต่ใช้ความคล้ายคลึงกันระหว่างรายการแทนของผู้ใช้ ในฐานะที่
แสดงในรูป 1 (ค) คะแนนที่ไม่รู้จักของรายการทดสอบโดย
ใช้การทดสอบที่สามารถคาดการณ์โดยเฉลี่ยของการจัดอันดับอื่น ๆ
รายการที่คล้ายกันจัดอันดับโดยผู้ใช้การทดสอบนี้ [15] อีกครั้งแต่ละรายการ
(เวกเตอร์คอลัมน์) จะถูกจัดเรียงใหม่และการจัดทำดัชนีตามของ
โรคความคล้ายคลึงกันที่มีต่อรายการทดสอบในเมทริกซ์ใช้รายการ
และการจัดอันดับจากรายการที่คล้ายกันมากขึ้นมีการถ่วงน้ำหนักที่แข็งแกร่ง.
อย่างเป็นทางการ (ดูเพิ่มเติมที่ [15]) ,
XBK, m =
X
ib∈Si (IM)
si (IM, IB) (XK b)
X
ib∈Si (IM)
si (IM, IB)
(3)
ในกรณีที่คล้ายคลึงกันรายการ si (IM, IB) สามารถ ห้วง
วัดโคไซน์หรือความสัมพันธ์เพียร์สัน [11, 15] ในการลบ
ความแตกต่างในระดับคะแนนระหว่างผู้ใช้เมื่อคำนวณ
ความคล้ายคลึงกัน [15] ได้เสนอที่จะปรับความคล้ายคลึงกันโคไซน์
โดยการหักคะแนนเฉลี่ยของผู้ใช้จากแต่ละ
คู่ร่วมจัดอันดับก่อน เรานำมาใช้วัดความคล้ายคลึงกันนี้
ในบทความนี้ เช่นเดียวกับด้านบน-N ผู้ใช้ที่คล้ายกันชุดของด้านบน-N
รายการที่คล้ายกันที่มีต่อมรายการแสดงเป็นศรี (IM) สามารถ
สร้างตาม:
ศรี (IM) = {IB | อันดับ si (IM, IB) ≤ไม่มี , XK ข 6 = ∅} (4)
รูปที่ 1 (ค) แสดงให้เห็นว่าสมการ 3 ใช้เวลาเพียงเป็นที่รู้จักกันคล้าย
การจัดอันดับรายการโดยผู้ใช้ทดสอบในบัญชีเพื่อการคาดการณ์.
เราหมายถึงการจัดอันดับเหล่านี้เป็นชุดของ 'การจัดอันดับรายการที่คล้ายกัน'
(บล็อคที่มีรูปแบบทแยงลงในรูปที่ 1 (c).)
Sirk เมตร = {XK ข | IB ∈ศรี (IM)} อีกครั้งสำหรับความเรียบง่ายเราวาง
k ห้อย, ม Sirk เมตรในส่วนที่เหลือของกระดาษ

ผลลัพธ์ (ไทย) 3:

รายการตามวิธีเช่น [ 3 , 11 , 15 ] ใช้ความคิดเดียวกัน
แต่ใช้ความเหมือนระหว่างรายการแทนของผู้ใช้ โดย
แสดงในรูปที่ 1 ( C ) , ไม่ทราบคะแนนของรายการทดสอบโดย
ทดสอบผู้ใช้สามารถพยากรณ์ได้โดยเฉลี่ยเรตติ้งของรายการอื่น ๆที่คล้ายกัน
คะแนนโดยผู้ใช้นี้ทดสอบ [ 15 ] อีกครั้ง แต่ละรายการ
( เวกเตอร์คอลัมน์ ) จะถูกจัดเรียงและดัชนีตามของมัน
จากความเหมือนกับข้อสอบในรายการผู้ใช้เมทริกซ์
และเรตติ้งของรายการที่คล้ายกันมากจะหนักแข็งแกร่ง .
อย่างเป็นทางการ ( ดู [ 15 ] )
xbk , M =
x
IB ∈ศรี ( IM )
ศรี ( IM , IB ) ( XK , B )
x
อิ๊บ ∈ศรี ( IM )
ศรี ( IM , IB )

รายการที่ ( 3 ) ความเหมือนศรี ( IM , IB ) สามารถคำนวณโดย
โคไซน์ การวัด หรือ หาค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สัน [ 11 / 15 ] เอา
ความแตกต่างในระดับระหว่างผู้ใช้คอมพิวเตอร์
เมื่อความเหมือน , [ 15 ] ได้เสนอการปรับโคไซน์คล้ายคลึง
โดยการลบคะแนนเฉลี่ยของผู้ใช้แต่ละ
Co คะแนนคู่ก่อน เราใช้ความคล้ายคลึงวัด
ในกระดาษนี้ ชอบ top-n คล้ายกันผู้ใช้ , ชุด top-n
คล้ายกันรายการต่อรายการ เอ็ม กล่าวคือ เป็นศรี ( IM ) สามารถสร้างขึ้นตาม :

ศรี ( IM ) = { IB | ยศศรี ( IM , IB ) ≤ N XK , B 6 = ∅ } ( 4 )
( รูปที่ 1 c ) แสดงให้เห็นถึงวิธีการที่อีคิว3 ใช้เวลาเพียงรู้จักกัน
รายการอันดับ โดยทดสอบผู้ใช้ในบัญชีเพื่อการพยากรณ์ .
เราอ้างถึงการจัดอันดับเหล่านี้เป็นชุดของ ' เรตติ้ง ' รายการที่คล้ายกัน
( บล็อก ลายทแยงลงในรูปที่ 1 ( C ) :
sirk , M = { XK , B | IB ∈ศรี ( ม ) } อีก พูดง่ายๆ เราปล่อย
ตัวห้อย K , M sirk , M ในส่วนที่เหลือของกระดาษ .