15], which surveys model-based atta

15], which surveys model-based attack resistant algorithms and proposes a robust
matrix factorisation strategy.
A model-based recommendation strategy based on clustering user profiles is
analysed in [21]. In this strategy, similar users are clustered into segments and the
similarity between the target user and a user segment is calculated. For each segment, an aggregate profile, consisting of the average rating for each item in the
segment is computed and predictions are made using the aggregate profile rather
than individual profiles. To make a recommendation for a target user u and target
item i, a neighbourhood of user segments that have a rating for i and whose aggregate profile is most similar to u is chosen. A prediction for item i is made using
the k nearest segments and associated aggregate profiles, rather than the k nearest
neighbours. Both k-means clustering and PLSA-based clustering, as described in
Section 25.5.3.2, are evaluated. The prediction shift achieved by an average attack
on these algorithms, compared with the standard kNN algorithm, is shown in Figure 25.11 (left). The model-based algorithms are considerably more robust and not
significantly less accurate, since, according to [21], PLSA and k-means clustering
achieve an MAE of 0.75 and 0.76 using 30 segments, in comparison to a value of
0.74 for kNN.

ผลลัพธ์ (ไทย) 1:

15], ซึ่งสำรวจโดยรุ่นทนโจมตีอัลกอริทึม และเสนอความแข็งแกร่งเมตริกซ์ factorisation กลยุทธ์การกลยุทธ์คำแนะนำตามรูปแบบที่ตามคลัสเตอร์ profiles ผู้ใช้คือanalysed ใน [21] ในนี้กลยุทธ์ จับกลุ่มผู้ใช้คล้ายเป็นเซ็กเมนต์และความคล้ายคลึงกันระหว่างผู้ใช้เป้าหมายและส่วนผู้ใช้เสมอ แต่ละส่วน การ profile รวม ประกอบด้วยคะแนนเฉลี่ยแต่ละรายการในการส่วนคำนวณ และคาดคะเนจะใช้ profile รวมค่อนข้างกว่า profiles แต่ละ ให้คำแนะนำสำหรับผู้ใช้ปลายทางและเป้าหมายสินค้าฉัน อาสาของกลุ่มผู้ใช้ที่มีการจัดอันดับหา และ profile ซึ่งรวมเป็นส่วนใหญ่เหมือนกับคุณจะเลือก การคาดการณ์สำหรับสินค้าจะทำการใช้k ใกล้เซกเมนต์และเกี่ยวข้องรวม profiles แทน k ที่ใกล้ที่สุดเพื่อนบ้าน ทั้ง k-หมายถึง คลัสเตอร์และใช้ PLSA คลัสเตอร์ ในส่วน 25.5.3.2 มีประเมินการ กะคาดเดาโดยโจมตีเฉลี่ยบนนี้อัลกอริทึม เปรียบเทียบกับอัลกอริทึม kNN มาตรฐาน เป็นแสดงในรูป 25.11 (ซ้าย) อัลกอริทึมโดยใช้รูปแบบแข็งแกร่งขึ้นมาก และไม่significantly ไม่ถูกต้อง ตั้งแต่ ตาม [21], PLSA และ k-หมายถึงคลัสเตอร์ให้แม่เป็น 0.75 และ 0.76 ส่วน 30 โดยค่าใช้0.74 สำหรับ kNN

ผลลัพธ์ (ไทย) 2:

15] ซึ่งสำรวจทนการโจมตีแบบที่ใช้ขั้นตอนวิธีการและเสนอที่แข็งแกร่ง
เมทริกซ์กลยุทธ์ factorisation.
กลยุทธ์คำแนะนำแบบที่ใช้ขึ้นอยู่กับผู้ใช้จัดกลุ่มโปรไฟ les มีการ
วิเคราะห์ใน [21] ในกลยุทธ์นี้ผู้ใช้ที่คล้ายกันเป็นคลัสเตอร์เป็นกลุ่มและ
ความคล้ายคลึงกันระหว่างผู้ใช้เป้าหมายและกลุ่มผู้ใช้ที่มีการคำนวณ สำหรับแต่ละกลุ่มรวมโปรไฟเลอประกอบด้วยค่าเฉลี่ยสำหรับแต่ละรายการใน
ส่วนที่มีการคำนวณและการคาดการณ์จะทำโดยใช้การรวมโปรไฟเลอค่อนข้าง
กว่าบุคคลโปรไฟ les เพื่อให้คำแนะนำสำหรับผู้ใช้เป้าหมายและเป้าหมายที่ยู
รายการ i, พื้นที่ใกล้เคียงของกลุ่มผู้ใช้ที่มีการจัดอันดับสำหรับฉันและมีการรวมโปรไฟ le จะคล้ายกันมากที่สุดในยูได้รับการแต่งตั้ง ทำนายสำหรับรายการที่ผมจะทำโดยใช้
ส่วน k ที่ใกล้ที่สุดและที่เกี่ยวข้องรวมโปรไฟ les มากกว่า k ที่ใกล้ที่สุด
เพื่อนบ้าน ทั้ง k หมายถึงการจัดกลุ่มและการจัดกลุ่ม PLSA ตามที่กล่าวไว้ใน
มาตรา 25.5.3.2, ได้รับการประเมิน การเปลี่ยนแปลงการทำนายความสำเร็จโดยการโจมตีเฉลี่ย
ในขั้นตอนวิธีการเหล่านี้เมื่อเทียบกับมาตรฐานขั้นตอนวิธี kNN จะแสดงในรูปที่ 25.11 (ซ้าย) ขั้นตอนวิธีการตามรูปแบบที่มีมากขึ้นที่แข็งแกร่งและไม่ได้
อย่างมีนัยสำคัญที่ถูกต้องน้อยลงเนื่องจากตาม [21], PLSA และ k หมายถึงการจัดกลุ่ม
ให้บรรลุเม 0.75 และ 0.76 โดยใช้ 30 กลุ่มเมื่อเปรียบเทียบกับมูลค่าของ
0.74 สำหรับ kNN

ผลลัพธ์ (ไทย) 3:

15 ] ซึ่งการสำรวจสำหรับขั้นตอนวิธีป้องกันโจมตีและนำเสนอประสิทธิภาพ
Matrix factorisation กลยุทธ์ การแนะนำกลยุทธ์บนพื้นฐานของข้อมูลสำหรับผู้ใช้จึงเล คือ
วิเคราะห์ [ 21 ] ในกลยุทธ์นี้ ผู้ใช้ที่คล้ายคลึงกันเป็นกระจุกในกลุ่มและ
ความคล้ายคลึงกันระหว่างผู้ใช้และกลุ่มผู้ใช้เป้าหมายจะถูกคำนวณ สำหรับแต่ละกลุ่ม , รวมโปรจึงเลอ ,ประกอบด้วยการประเมินโดยเฉลี่ยสำหรับแต่ละรายการใน
ส่วนจะคำนวณและคาดคะเนได้โดยรวมจึงค่อนข้างโปรเลอ
กว่าบุคคล Pro จึงเลส เพื่อให้คําแนะนําสําหรับผู้ใช้เป้าหมายและรายการเป้าหมาย
ฉัน , พื้นที่ของกลุ่มผู้ใช้ที่มีการจัดอันดับสำหรับผมซึ่งรวมโปรจึงเลอคล้ายคลึงที่สุด คุณเลือก คำทำนายสำหรับรายการที่ผมทำโดยใช้
ส่วนที่ใกล้ K และเกี่ยวข้องรวมโปรจึงเลสมากกว่า K
เพื่อนบ้านที่ใกล้ที่สุด . ทั้ง k-means clustering และ plsa การจัดกลุ่มตามตามที่อธิบายไว้ในส่วน 25.5.3.2
, ประเมิน การคาดการณ์โดยเฉลี่ยกะโจมตี
ในขั้นตอนวิธีเหล่านี้เมื่อเทียบกับขั้นตอนวิธี knn มาตรฐานแสดงไว้ในรูป 25.11 ( ซ้าย )สำหรับขั้นตอนวิธีการมีประสิทธิภาพมากขึ้นและไม่ได้
signi จึงลดลงอย่างมีนัยสําคัญเมื่อน้อยกว่าที่ถูกต้อง เนื่องจากตาม [ 21 ] plsa k-means และการจัดกลุ่ม
ให้ได้แม่ 0.75 และ 0.76 ใช้ 30 ส่วนในการเปรียบเทียบกับค่า

แผ่นสำหรับ knn .