Recommender systems apply knowledge

Recommender systems apply knowledge discovery techniques to the problem of making personalized recommendations for information, products or services during a live interaction. These systems, especially the k-nearest neighbor collaborative filtering based ones, are achieving widespread success on the Web. The tremendous growth in the amount of available information and the number of visitors to Web sites in recent years poses some key challenges for recommender systems. These are: producing high quality recommendations, performing many recommendations per second for millions of users and items and achieving high coverage in the face of data sparsity. In traditional collaborative filtering systems the amount of work increases with the number of participants in the system. New recommender system technologies are needed that can quickly produce high quality recommendations, even for very large-scale problems. To address these issues we have explored item-based collaborative filtering techniques. Item-based techniques first analyze the user-item matrix to identify relationships between different items, and then use these relationships to indirectly compute recommendations for users.

In this paper we analyze different item-based recommendation generation algorithms. We look into different techniques for computing item-item similarities (e.g., item-item correlation vs. cosine similarities between item vectors) and different techniques for obtaining recommendations from them (e.g., weighted sum vs. regression model). Finally, we experimentally evaluate our results and compare them to the basic k-nearest neighbor approach. Our experiments suggest that item-based algorithms provide dramatically better performance than user-based algorithms, while at the same time providing better quality than the best available user-based algorithms.

ผลลัพธ์ (ไทย) 1:

ผู้แนะนำระบบใช้รู้ค้นพบเทคนิคการทำข้อเสนอแนะส่วนบุคคลสำหรับข้อมูล ผลิตภัณฑ์ หรือบริการในระหว่างการโต้ตอบสด ระบบเหล่านี้ โดยเฉพาะอย่างยิ่ง k ใกล้ใกล้เคียงคนกรองใช้ร่วมกัน ได้บรรลุความสำเร็จอย่างแพร่หลายบนเว็บ เติบโตมหาศาลจำนวนข้อมูลที่มีอยู่และจำนวนผู้เข้าชมเว็บไซต์ในปีที่ผ่านมาซึ่งทำให้เกิดความท้าทายบางคีย์สำหรับผู้แนะนำระบบ ได้แก่: ผลิตแนะนำคุณภาพ ทำคำแนะนำหลายต่อวินาทีนับล้านของผู้ใช้และรายการ และบรรลุความครอบคลุมสูงหน้าข้อมูล sparsity ในระบบกรองแบบดั้งเดิมร่วม จำนวนของงานเพิ่มขึ้นกับจำนวนผู้เรียนในระบบ ผู้แนะนำระบบเทคโนโลยีมีความจำเป็นที่จะสามารถผลิตคุณภาพแนะนำ สำหรับปัญหาขนาดใหญ่มาก การแก้ไขปัญหาเหล่านี้ เราได้สำรวจตามสินค้าร่วมเทคนิคการกรอง เทคนิคใช้สินค้าก่อน วิเคราะห์เมตริกซ์ผู้ใช้สินค้าเพื่อระบุความสัมพันธ์ระหว่างรายการที่แตกต่าง แล้ว ใช้ความสัมพันธ์เหล่านี้ในการคำนวณคำแนะนำสำหรับผู้ใช้ทางอ้อมในเอกสารนี้ เราวิเคราะห์คำแนะนำต่าง ๆ ตามสินค้าสร้างอัลกอริทึม เราดูในเทคนิคต่าง ๆ สำหรับการคำนวณรายการสินค้าความเหมือน (เช่น สินค้าสินค้าความสัมพันธ์เทียบกับโคไซน์ความเหมือนระหว่างสินค้าเวกเตอร์) และเทคนิคต่าง ๆ สำหรับการได้รับคำแนะนำจากพวกเขา (เช่น ถ่วงน้ำหนักผลเทียบกับแบบจำลองถดถอย) สุดท้าย เรา experimentally ประเมินผลของเรา แล้วเปรียบเทียบกับวิธีพื้นฐาน k ใกล้ใกล้เคียง การทดลองของเราแนะนำว่า อัลกอริทึมที่ใช้สินค้ามีประสิทธิภาพอย่างมากดีกว่าใช้ผู้ใช้อัลกอริทึม ในเวลาเดียวกันให้มีคุณภาพดีกว่าสุดว่างผู้ใช้โดยใช้อัลกอริทึม

ผลลัพธ์ (ไทย) 2:

ระบบ Recommender ใช้เทคนิคการค้นพบความรู้ในการแก้ไขปัญหาของการทำข้อเสนอแนะส่วนบุคคลสำหรับข้อมูลผลิตภัณฑ์หรือบริการในระหว่างการปฏิสัมพันธ์สด ระบบเหล่านี้โดยเฉพาะอย่างยิ่งการกรองการทำงานร่วมกันของเพื่อนบ้าน k-ใกล้ที่สุดคนตามจะประสบความสำเร็จอย่างกว้างขวางบนเว็บ การเติบโตอย่างมากในจำนวนของข้อมูลที่มีอยู่และจำนวนของผู้เข้าชมเว็บไซต์ในปีที่ผ่านมาก่อให้เกิดความท้าทายที่สำคัญสำหรับระบบ recommender เหล่านี้คือ: คำแนะนำการผลิตที่มีคุณภาพสูง, การแสดงคำแนะนำหลายต่อวินาทีสำหรับผู้ใช้นับล้านและรายการและบรรลุความคุ้มครองที่สูงในการเผชิญกับข้อมูล sparsity ในระบบการกรองการทำงานร่วมกันแบบดั้งเดิมปริมาณงานที่เพิ่มขึ้นกับจำนวนผู้เข้าร่วมในระบบ เทคโนโลยีระบบ recommender ใหม่มีความจำเป็นที่ได้อย่างรวดเร็วสามารถผลิตข้อเสนอแนะที่มีคุณภาพสูงแม้สำหรับปัญหาขนาดใหญ่มาก เพื่อแก้ไขปัญหาเหล่านี้เรามีการสำรวจรายการที่ใช้เทคนิคการกรองการทำงานร่วมกัน เทคนิคการสินค้าที่ใช้ครั้งแรกวิเคราะห์เมทริกซ์ใช้รายการที่จะระบุความสัมพันธ์ระหว่างรายการที่แตกต่างกันและใช้ความสัมพันธ์เหล่านี้เพื่อคำนวณทางอ้อมคำแนะนำสำหรับผู้ใช้. ในบทความนี้เราจะวิเคราะห์รายการตามขั้นตอนวิธีการที่แตกต่างกันรุ่นข้อเสนอแนะ เราดูเป็นเทคนิคที่แตกต่างกันสำหรับการคำนวณความคล้ายคลึงกันรายการรายการ (เช่นความสัมพันธ์รายการรายการเทียบกับความคล้ายคลึงกันระหว่างเวกเตอร์โคไซน์รายการ) และเทคนิคที่แตกต่างกันสำหรับการได้รับข้อเสนอแนะจากพวกเขา (เช่นน้ำหนักรวมกับรูปแบบการถดถอย) สุดท้ายเราประเมินผลการทดลองของเราและเปรียบเทียบกับพื้นฐาน k-ใกล้ที่สุดวิธีเพื่อนบ้าน การทดลองของเราแสดงให้เห็นว่าอัลกอริทึมรายการที่ใช้ให้มีประสิทธิภาพที่ดีขึ้นอย่างเห็นได้ชัดกว่าอัลกอริทึมสำหรับผู้ใช้ในขณะที่ในเวลาเดียวกันการให้บริการที่มีคุณภาพดีกว่าดีที่สุดที่มีขั้นตอนวิธีการใช้งานตาม

ผลลัพธ์ (ไทย) 3:

แนะนำระบบใช้เทคนิคค้นพบความรู้ในปัญหาของการแนะนำส่วนบุคคลสำหรับข้อมูลผลิตภัณฑ์หรือบริการระหว่างสดปฏิสัมพันธ์ ระบบเหล่านี้ โดยเฉพาะอย่างยิ่งการเพื่อนบ้านใกล้ที่สุดกรองตามแบบคนที่จะบรรลุความสำเร็จอย่างกว้างขวางบนเว็บการเจริญเติบโตอย่างมากในจำนวนของข้อมูลที่มีอยู่และจำนวนผู้เข้าชมเว็บไซต์ ใน ปี ล่าสุด ส่อเค้าความสําคัญสําหรับระบบแนะนำ . เหล่านี้เป็นคำแนะนำ : การผลิตที่มีคุณภาพสูง , การแสดงหลายข้อเสนอแนะต่อวินาทีสำหรับล้านของผู้ใช้และรายการและการบรรลุความคุ้มครองสูงในหน้าของ sparsity ข้อมูลในแบบดั้งเดิมและระบบกรองปริมาณงานที่มีเพิ่มจำนวนผู้เข้าร่วมในระบบ แนะนำระบบใหม่ เป็นเทคโนโลยีที่สามารถผลิตได้อย่างรวดเร็วมีคุณภาพสูง แม้ปัญหามากขนาดใหญ่ เพื่อแก้ไขปัญหาเหล่านี้ เราได้สำรวจสินค้าตามเทคนิคการกรองร่วมกันรายการแรก ใช้เทคนิควิเคราะห์รายการผู้ใช้เมทริกซ์เพื่อระบุความสัมพันธ์ระหว่างรายการที่แตกต่างกันและจากนั้นใช้ความสัมพันธ์เหล่านี้จะแนะนำสำหรับผู้ใช้คอมพิวเตอร์ทางอ้อม

ในกระดาษนี้เราวิเคราะห์รายการที่แตกต่างกันตามขั้นตอนวิธีการ รุ่นแนะนำ เราดูในเทคนิคที่แตกต่างกันสำหรับคอมพิวเตอร์ รายการที่คล้ายคลึงกัน ( เช่น รายการความสัมพันธ์กับโคไซน์คล้ายคลึงกันระหว่างเวกเตอร์รายการ ) และเทคนิคต่าง ๆเพื่อขอรับคำแนะนำจากพวกเขา ( เช่น น้ำหนักรวม กับ ตัวแบบการถดถอย ) สุดท้ายเราเพื่อประเมินผลและเปรียบเทียบกับพื้นฐานการเพื่อนบ้านใกล้ที่สุดวิธีการ การทดลองของเราขอแนะนำสินค้าที่ใช้อัลกอริทึมให้ประสิทธิภาพที่ดีขึ้นอย่างรวดเร็วกว่าผู้ใช้ตามขั้นตอนวิธีในขณะที่ในเวลาเดียวกันให้คุณภาพที่ดีกว่าที่ดีที่สุดของผู้ใช้ตามขั้นตอนวิธี