ANN’s can be used in a similar way

ANN’s can be used in a similar way as Bayesian Networks to construct model
based RS’s. However, there is no conclusive study to whether ANN introduce any
performance gain. As a matter of fact, Pazzani and Billsus [57] did a comprehen
sive experimental study on the use of several machine learning algorithms for web
site recommendation. Their main goal was to compare the simple naive Bayesian
Classifier with computationally more expensive alternatives such as Decision Trees
and Neural Networks. Their experimental results show that Decision Trees perform
significantly worse. On the other hand ANN and the Bayesian classifier performed
similarly. They conclude that there does not seem to be a need for nonlinear classifiers such as the ANN. Berka et al. [31] used ANN to build an URL RS for web
navigation. They implemented a content independent system based exclusively on
trails – i.e. associating pairs of domain names with the number of people who traversed them. In order to do so they used feedforward Multilayer Perceptrons trained
with the Backpropagation algorithm.

ผลลัพธ์ (ไทย) 1:

ของแอนน์สามารถใช้ในเครือข่ายทฤษฎีการสร้างแบบจำลองใช้ของ RS อย่างไรก็ตาม มีการศึกษาไม่มีข้อสรุปว่าแอนแนะนำใด ๆทำ เป็นแท้ Pazzani และ Billsus [57] ได้ comprehensive ทดลองศึกษาการใช้หลายเครื่องสำหรับเว็บการเรียนรู้แนะนำเว็บไซต์ เป้าหมายหลักของพวกเขาคือการ เปรียบเทียบขำน่าเชื่อทฤษฎีClassifier กับทาง computationally แพงกว่าเช่นต้นไม้ตัดสินใจและเครือข่ายประสาท ผลการทดลองแสดงว่า ต้นไม้ตัดสินใจทำsignificantly แย่ลง ในทางกลับกัน แอนน์และ classifier ทฤษฎีปฏิบัติในทำนองเดียวกัน พวกเขาสรุปว่า ไม่ดูเหมือน จะต้อง classifiers ไม่เชิงเส้นเช่น al. Berka et ANN. [31] ใช้แอนเสก RS มี URL สำหรับเว็บนำทาง พวกเขาใช้เนื้อหาเป็นระบบอิสระตามโดยเฉพาะแนว – เช่นการเชื่อมโยงคู่ของชื่อโดเมนที่มีจำนวนคนเหล่านั้นไม่เหมือนกัน ทำให้พวกเขาใช้ feedforward Multilayer Perceptrons ฝึกอบรมกับอัลกอริทึม Backpropagation

ผลลัพธ์ (ไทย) 2:

ANN สามารถนำมาใช้ในทางที่คล้ายกันเป็นเครือข่ายแบบเบส์ในการสร้างรูปแบบ
พื้นฐานของอาร์เอส แต่ไม่มีการศึกษาได้ข้อสรุปว่า ANN แนะนำใด ๆ ที่
ได้รับประสิทธิภาพ เป็นเรื่องของความเป็นจริงและ Pazzani Billsus [57] ได้ comprehen
ศึกษาทดลองบ่งบอกเกี่ยวกับการใช้ขั้นตอนวิธีการเรียนรู้หลายเครื่องสำหรับเว็บ
คำแนะนำเว็บไซต์ เป้าหมายหลักของพวกเขาคือการเปรียบเทียบแบบเบย์ที่เรียบง่ายไร้เดียงสา
Classi เอ้อไฟมีทางเลือกที่มีราคาแพงกว่าคอมพิวเตอร์เช่นต้นไม้การตัดสินใจ
และเครือข่ายประสาทเทียม ผลการทดลองของพวกเขาแสดงให้เห็นว่าต้นไม้การตัดสินใจดำเนินการ
อย่างมีนัยสำคัญที่เลวร้ายยิ่ง บนมืออื่น ๆ แอนและเบย์จัดประเภทเอ้อสายดำเนินการ
ในทำนองเดียวกัน พวกเขาสรุปว่ามีไม่ได้ดูเหมือนจะมีความจำเป็นในการจัดประเภท ERS ไม่เชิงเส้นเช่น ANN และอัลแบร์คา [31] ที่ใช้ในการสร้างแอนอาร์เอส URL สำหรับเว็บ
นำทาง พวกเขานำมาใช้เนื้อหาระบบอิสระเฉพาะใน
เส้นทาง - คือการเชื่อมโยงคู่ของชื่อโดเมนที่มีจำนวนของผู้คนที่เดินทางข้ามพวกเขา เพื่อที่จะทำเพื่อให้พวกเขาใช้หลายคราท Perceptrons รับการฝึกอบรม
ที่มีขั้นตอนวิธีการแพร่กระจายย้อนกลับ

ผลลัพธ์ (ไทย) 3:

แอนสามารถใช้ในลักษณะที่เป็นเครือข่ายแบบเบย์เพื่อสร้างแบบจำลอง
จากอาร์เอส อย่างไรก็ตาม ไม่มีข้อสรุป ศึกษาว่า แอนแนะนำๆ
ประสิทธิภาพที่ได้รับ เป็นเรื่องของความเป็นจริงและ pazzani billsus [ 57 ] ได้เข้าใจ
sive การศึกษาทดลองใช้หลายเครื่องการเรียนรู้ขั้นตอนวิธีสำหรับเว็บ
เว็บไซต์แนะนำ เป้าหมายหลักของพวกเขาคือเพื่อเปรียบเทียบง่ายๆซื่อๆ Bayesian
classi จึงเอ้อกับทางเลือก computationally แพงกว่า เช่น ต้นไม้ การตัดสินใจ
และเครือข่ายประสาท ผลการทดลองแสดงให้เห็นว่าการตัดสินใจของต้นไม้แสดง
signi จึงลดลงอย่างมีนัยสําคัญเมื่อเลวร้าย บนมืออื่น ๆและ classi เอ้อส์ แอนจึงปฏิบัติ
ในทํานองเดียวกัน พวกเขาสรุปว่ามีดูเหมือนจะเป็นความต้องการเชิง classi จึง ERS เช่น Ann berka et al .[ 31 ] ใช้แอนสร้าง URL RS สำหรับเว็บ
นำทาง พวกเขาใช้ระบบอิสระตามเนื้อหาเฉพาะในการดำเนินการประกอบ
เส้นทางคู่ของชื่อโดเมนกับหมายเลขของผู้ที่เดินทางไปนั้น เพื่อที่จะทำเช่นนั้นพวกเขาใช้ไปข้างหน้าหลายชั้นเพอร์เซปตรฝึก
กับ

แบบอัลกอริทึม