In such systems, the similarities b

In such systems, the similarities between users are obtained using multi-criteria
ratings, and the rest of the recommendation process can be the same as in singlecriterion rating systems. The next step is, for a given user, to find a set of neighbors
with the highest similarity values and predict unknown overall ratings of the user
based on neighbors’ ratings. Therefore, these similarity-based approaches are applicable only to neighborhood-based collaborative filtering recommendation tech-
niques that need to compute the similarity between users (or items).
In summary, multi-criteria ratings can be used to compute the similarity between
two users in the following two ways [2]: by (i) aggregating similarity values that
are calculated separately on each criterion into a single similarity and (ii) calculating the distance between multi-criteria ratings directly in the multi-dimensional
space. Empirical results using a small-scale Yahoo! Movies dataset show that both
heuristic approaches outperform the corresponding traditional single-rating collaborative filtering technique (i.e., that uses only single overall ratings) by up to 3.8%
in terms of precision-in-top-N metric, which represents the percentage of truly high
overall ratings among those that the system predicted to be the N most relevant
items for each user [2]. The improvements in precision depend on many parameters of collaborative filtering techniques, such as neighborhood sizes and the number of top-N recommendations. Furthermore, these approaches can be extended as
suggested by Manouselis and Costopoulou [49] by computing similarities using
not only known rating information, but also importance weights for each criterion.
The latter approaches were evaluated in an online application that recommends e-markets to users, where multiple buyers and sellers can access and exchange information about prices and product offerings, based on users’ multi-criteria evaluations
on several e-markets. The similarity-per-priority algorithm using Euclidian distance
performed the best among their proposed approaches in terms of the mean absolute
error (MAE) (i.e., 0.235 on scale of 1 to 7) with a fairly high coverage (i.e., 93% of
items can be recommended to users) as compared to non-personalized algorithms,
such as arithmetic mean and random, that produce higher MAE (0.718 and 2.063,
respectively) with 100% coverage [49].

ผลลัพธ์ (ไทย) 1:

ในระบบ ความคล้ายคลึงระหว่างผู้ใช้จะได้รับโดยใช้หลายเกณฑ์จัดอันดับ และส่วนเหลือของการแนะนำได้อย่างเดียวกันกับระบบการจัดอันดับของ singlecriterion ขั้นตอนต่อไปคือ ผู้ใช้กำหนด การ find ชุดของเพื่อนบ้านมีค่าความคล้ายคลึงกันสูง และทำนายว่า ไม่รู้จักการจัดอันดับโดยรวมของผู้ใช้ตามการจัดอันดับของปฏิกิริยา ดังนั้น วิธีเหล่านี้ตามความคล้ายคลึงกันจะต้องใช้ย่าน filtering ร่วมแนะนำเทคโนโลยี-niques ที่จำเป็นต้องคำนวณความคล้ายคลึงกันระหว่างผู้ใช้ (หรือสินค้า)ในสรุป จัดอันดับหลายเงื่อนไขสามารถใช้เพื่อคำนวณความคล้ายคลึงกันระหว่างสองแบบสองดังนี้ [2]: (i) โดยรวมคล้ายค่าที่คำนวณแยกกันในแต่ละเกณฑ์คล้ายเดียวและ (ii) การคำนวณระยะห่างระหว่างอันดับหลายเงื่อนไขโดยตรงในหลายมิติพื้นที่ ผลรวมโดยใช้ชุดข้อมูล yahoo!ภาพยนตร์ที่ระบุแสดงว่าทั้งสองแล้ววิธีที่มีประสิทธิภาพสูงกว่าเทคนิค filtering ร่วมกันจัดอันดับเดียวแบบดั้งเดิมที่เกี่ยวข้อง (เช่น ใช้เฉพาะเดียวโดยรวมการจัดอันดับ) ได้ถึง 3.8%ในการวัดความแม่นยำ-ใน-ท็อปเอ็น ซึ่งแสดงถึงเปอร์เซ็นต์ของสูงอย่างแท้จริงจัดอันดับโดยรวมงานระบบคาดว่า จะเป็น N ที่มากที่สุดสินค้าสำหรับแต่ละผู้ใช้ [2] ปรับปรุงในความแม่นยำขึ้นอยู่กับพารามิเตอร์หลายเทคนิค filtering ร่วมกัน เช่นขนาดพื้นที่ใกล้เคียงและจำนวน N ด้านบนแนะนำ นอกจากนี้ สามารถขยายแนวทางเหล่านี้เป็นแนะนำ โดย Manouselis และ Costopoulou [49] ความเหมือนคอมพิวเตอร์ที่ใช้ไม่เพียงแต่ข้อมูลการจัดอันดับชื่อดัง แต่น้ำหนักความสำคัญสำหรับแต่ละเงื่อนไขวิธีหลังถูกประเมินในใบสมัครออนไลน์ที่แนะนำอีตลาดผู้ใช้ ที่หลายผู้ซื้อและผู้ขายสามารถเข้าถึงและแลกเปลี่ยน ข้อมูลเกี่ยวกับราคาและเสนอผลิตภัณฑ์ ตามผู้ใช้หลายเกณฑ์ประเมินในหลายอีตลาด อัลกอริทึมคล้ายต่อสำคัญใช้ระยะ Euclidianทำดีสุดในวิธีการเสนอในแง่ของค่าเฉลี่ยแบบข้อผิดพลาด (แม่) (เช่น 0.235 ในระดับ 1-7) มีความครอบคลุมสูง (เช่น 93% ของสินค้าสามารถแนะนำผู้ใช้) เมื่อเทียบกับไม่ใช่ส่วนบุคคลอัลกอริทึมเช่นค่าเฉลี่ยเลขคณิต และสุ่ม ที่ผลิตแม่สูง (0.718 และ 2.063ตามลำดับ) มีความครอบคลุม 100% [49]

ผลลัพธ์ (ไทย) 2:

ในระบบดังกล่าวคล้ายคลึงกันระหว่างผู้ใช้จะได้รับโดยใช้เกณฑ์หลาย
คะแนนและส่วนที่เหลือของกระบวนการเสนอแนะที่สามารถเช่นเดียวกับในระบบการจัดอันดับ singlecriterion ขั้นตอนต่อไปคือสำหรับผู้ใช้ที่ได้รับการ fi ครั้งที่ชุดของเพื่อนบ้าน
ที่มีค่าสูงสุดที่คล้ายคลึงกันและคาดการณ์การให้คะแนนโดยรวมที่ไม่รู้จักของผู้ใช้
จากการจัดอันดับของเพื่อนบ้าน ดังนั้นวิธีการเหล่านี้คล้ายคลึงกันตามที่มีเฉพาะพื้นที่ใกล้เคียงตามคำแนะนำ ltering สายการทำงานร่วมกันทิ่
niques ที่ต้องคำนวณความคล้ายคลึงกันระหว่างผู้ใช้ (หรือรายการ).
สรุปเกณฑ์การจัดอันดับหลายสามารถนำมาใช้ในการคำนวณความคล้ายคลึงกันระหว่าง
สองผู้ใช้ ในสองวิธีต่อไป [2]: โดย (i) รวมค่าความคล้ายคลึงกันที่
มีการคำนวณแยกในแต่ละเกณฑ์เดียวคล้ายคลึงกันและ (ii) การคำนวณระยะห่างระหว่างการให้คะแนนตามเกณฑ์หลายโดยตรงในหลายมิติ
พื้นที่ ผลการศึกษาโดยใช้ขนาดเล็ก Yahoo! แสดงภาพยนตร์ชุดข้อมูลที่ว่าทั้งสอง
วิธีการแก้ปัญหามีประสิทธิภาพสูงกว่าการจัดอันดับสายเดียวแบบดั้งเดิมที่เกี่ยวข้องร่วมกันเทคนิค ltering (เช่นที่ใช้การจัดอันดับโดยรวมเพียงคนเดียว) ได้ถึง 3.8%
ในแง่ของความแม่นยำในบนสุด ยังไม่มีตัวชี้วัดซึ่งหมายถึงร้อยละของสูงอย่างแท้จริง
การจัดอันดับโดยรวมในหมู่ผู้ที่ระบบคาดว่าจะยังไม่มีข้อความที่เกี่ยวข้องมากที่สุด
รายการสำหรับผู้ใช้แต่ละคน [2] การปรับปรุงในความแม่นยำขึ้นอยู่กับปัจจัยหลายประการของเทคนิค ltering สายการทำงานร่วมกันเช่นขนาดและพื้นที่ใกล้เคียงจำนวนข้อเสนอแนะด้านบน-N นอกจากนี้วิธีการเหล่านี้สามารถขยายได้เป็น
ที่แนะนำโดย Manouselis และ Costopoulou [49] โดยมีลักษณะคล้ายคลึงกับการคำนวณโดยใช้
ข้อมูลคะแนนที่รู้จักกันไม่เพียง แต่ยังมีน้ำหนักความสำคัญสำหรับแต่ละเกณฑ์.
วิธีการหลังได้รับการประเมินในใบสมัครออนไลน์ที่แนะนำตลาด E-กับผู้ใช้งาน ที่ผู้ซื้อและผู้ขายหลายสามารถเข้าถึงและแลกเปลี่ยนข้อมูลเกี่ยวกับราคาและการนำเสนอผลิตภัณฑ์ขึ้นอยู่กับผู้ใช้หลายการประเมินเกณฑ์
หลายต่อหลาย E-ตลาด ความคล้ายคลึงกันต่อโดยใช้ขั้นตอนวิธีการจัดลำดับความสำคัญระยะ Euclidian
ดำเนินการที่ดีที่สุดในวิธีการที่นำเสนอในแง่ของความหมายที่แน่นอน
ข้อผิดพลาด (MAE) (เช่น 0.235 โย 1-7) ที่มีการรายงานข่าวที่ค่อนข้างสูง (เช่น 93% ของ
รายการ สามารถแนะนำให้ผู้ใช้) เมื่อเทียบกับขั้นตอนวิธีการที่ไม่ได้ส่วนบุคคล
เช่นค่าเฉลี่ยและสุ่มที่ผลิตที่สูงขึ้นแม่ (0.718 และ 2.063,
ตามลำดับ) ที่มีความคุ้มครอง 100% [49]

ผลลัพธ์ (ไทย) 3:

ในระบบดังกล่าวมีความคล้ายคลึงกันระหว่างผู้ใช้จะได้ใช้หลายหลักเกณฑ์
คะแนน , และส่วนที่เหลือของกระบวนการรับรองได้เหมือนกับในระบบการจัดอันดับ singlecriterion . ขั้นต่อไปคือเพื่อให้ผู้ใช้เพื่อถ่ายทอดและชุดของเพื่อนบ้าน
ที่มีค่าสูงสุดความเหมือนและทำนายที่ไม่รู้จักโดยรวมคะแนนของผู้ใช้
ตามการจัดอันดับเพื่อนบ้าน ' ดังนั้นความเหมือนตามแนวทางเหล่านี้ใช้ได้เฉพาะย่านใช้ร่วมกันจึง ltering แนะนำเทค -
niques ที่ต้องคำนวณความคล้ายคลึงกันระหว่างผู้ใช้ ( หรือรายการ ) .
สรุปเกณฑ์การจัดอันดับ Multi สามารถใช้คำนวณความคล้ายคลึงระหว่าง
สองผู้ใช้ในสองวิธีดังต่อไปนี้ [ 2 ] : ( ฉัน ) เหมือนปี ค่า
จะคำนวณแยกกันในแต่ละเกณฑ์ในความเหมือนเดียว และ ( 2 ) การคำนวณระยะทางระหว่างหลายเกณฑ์คะแนนโดยตรงในพื้นที่หลายมิติ

ผลทดลองใช้ Yahoo ! หนังชุดข้อมูลแสดงให้เห็นว่าทั้งแบบวิธีดั้งเดิมที่
ลงเดี่ยวอันดับร่วมกันจึง ltering เทคนิค ( เช่นที่ใช้เพียง 1 คะแนน ) รวมถึง 3.8 %
ในแง่ของ precision-in-top-n เมตริกตัน ซึ่งแสดงถึงเปอร์เซ็นต์สูงอย่างแท้จริง
โดยรวมคะแนนของผู้ที่เกี่ยวข้องกับระบบทำนายเป็น n
ที่สุดรายการสำหรับแต่ละผู้ใช้ [ 2 ] การปรับปรุงความแม่นยำขึ้นอยู่กับตัวแปรหลาย ltering ร่วมกันถ่ายทอดเทคนิคเช่น ขนาด และจำนวนของข้อเสนอแนะย่าน top-n . นอกจากนี้ วิธีเหล่านี้สามารถขยายเป็น
แนะนำและ manouselis costopoulou [ 49 ] โดยการคำนวณความคล้ายโดยใช้
ไม่เพียงแต่รู้จักการประเมินข้อมูล แต่ยังมีความสำคัญน้ำหนักของแต่ละเกณฑ์ วิธีการประเมิน
หลังในใบสมัครออนไลน์ที่แนะนำ e-markets เพื่อผู้ใช้ที่ผู้ซื้อและผู้ขายหลายสามารถเข้าถึงและแลกเปลี่ยนข้อมูลเกี่ยวกับราคา และเสนอผลิตภัณฑ์บนพื้นฐานของเกณฑ์การประเมินของผู้ใช้หลายหลาย e-markets
. ขั้นตอนวิธีใช้ความเหมือนต่อความ euclidian ระยะทาง
ปฏิบัติที่ดีที่สุดในหมู่พวกเขาเสนอวิธีการในแง่ของความคลาดเคลื่อนสัมบูรณ์เฉลี่ย
( แม่ฮ่องสอน ) ( เช่น 0.235 บนมาตราส่วน 1 7 ) มีความครอบคลุมค่อนข้างสูง ( เช่น93 %
รายการที่สามารถแนะนำให้ผู้ใช้ ) เมื่อเทียบกับการไม่ใช้ส่วนบุคคล
เช่นค่าเฉลี่ย และสุ่มที่ผลิตสูงกว่าแม่ ( 0.718 2.063
และ , ตามลำดับ ) 100% ครอบคลุม [ 49 ] .