This mechanism uses user rating dat

This mechanism uses user rating data to compute similarity between users or items. This is used for making recommendations. This was the earlier mechanism and is used in many commercial systems. It is easy to implement and is effective. Typical examples of this mechanism are neighbourhood based CF and item-based/user-based top-N recommendations.[3] For example, in user based approaches, the value of ratings user 'u' gives to item 'i' is calculated as an aggregation of some similar users rating to the item:

where 'U' denotes the set of top 'N' users that are most similar to user 'u' who rated item 'i'. Some examples of the aggregation function includes:

where k is a normalizing factor defined as k =1/sum_{u^prime in U}|operatorname{simil}(u,u^prime)| . and ar{r_u} is the average rating of user u for all the items rated by that user.

The neighborhood-based algorithm calculates the similarity between two users or items, produces a prediction for the user taking the weighted average of all the ratings. Similarity computation between items or users is an important part of this approach. Multiple mechanisms such as Pearson correlation and vector cosine based similarity are used for this.

The Pearson correlation similarity of two users x, y is defined as

ผลลัพธ์ (ไทย) 1:

กลไกนี้ใช้ข้อมูลการจัดอันดับของผู้ใช้เพื่อคำนวณความคล้ายคลึงกันระหว่างผู้ใช้หรือสินค้า ใช้สำหรับทำคำแนะนำ นี้เป็นกลไกที่ก่อนหน้านี้ และใช้ในระบบเชิงพาณิชย์ใน มันไม่ง่ายที่จะใช้ และมีประสิทธิภาพ ตัวอย่างทั่วไปของกลไกนี้คือ อาสาตาม CF และคำแนะนำด้านบน N ตาม/ผู้ใช้ตามสินค้า[3] ตัวอย่าง ในวิธีใช้ ค่าจัดอันดับผู้ใช้ 'u' ให้ 'i' สินค้าจะคำนวณเป็นที่รวมของผู้ใช้บางคล้ายจัดอันดับสินค้า:ที่ 'U' หมายถึงชุดของผู้ใช้เอ็นด้านบนที่สุดกับผู้ใช้ 'u' ผู้จัดรายการ 'i' มีตัวอย่างของฟังก์ชันการรวม:โดยที่ k คือ ปัจจัยการ normalizing กำหนดเป็น k = 1/sum_ { u ^ prime in U } |operatorname { simil } (u, u ^ prime) | และ ar{r_u } เป็นคะแนนเฉลี่ยของผู้ใช้ u สำหรับสินค้าทั้งหมดที่คะแนนอัลกอริทึมตามพื้นที่ใกล้เคียงคำนวณความคล้ายคลึงกันระหว่างสองผู้ใช้หรือสินค้า สร้างการคาดการณ์สำหรับผู้ที่คิดเป็นค่าเฉลี่ยถ่วงน้ำหนักของการจัดอันดับ คำนวณความคล้ายคลึงกันระหว่างรายการหรือผู้ใช้เป็นส่วนสำคัญของวิธีการนี้ ใช้กลไกหลายสหสัมพันธ์เพียร์สันและเวกเตอร์โคไซน์ตามความคล้ายคลึงกันนี้เฉพาะสหสัมพันธ์เพียร์สันสองแบบ x, y ถูกกำหนดเป็น

ผลลัพธ์ (ไทย) 2:

กลไกนี้จะใช้ข้อมูลการประเมินโดยใช้การคำนวณความคล้ายคลึงกันระหว่างผู้ใช้หรือรายการ นี้จะใช้สำหรับการทำข้อเสนอแนะ นี่เป็นกลไกที่ก่อนหน้านี้และถูกนำมาใช้ในระบบการค้าจำนวนมาก มันเป็นเรื่องง่ายที่จะใช้และมีประสิทธิภาพ ตัวอย่างทั่วไปของกลไกนี้จะใกล้เคียงตาม CF และรายการที่ใช้ / ผู้ใช้ตามคำแนะนำบน-N. [3] ตัวอย่างเช่นในวิธีการใช้ตามค่าของผู้ใช้ให้คะแนน u 'ให้กับรายการ' i 'ถูกคำนวณเป็น การรวมตัวของผู้ใช้บางส่วนคะแนนคล้ายกับรายการ: ที่ 'U' หมายถึงการตั้งค่าของผู้ใช้บน 'N' ที่มีความใกล้เคียงกับผู้ใช้ 'U' ที่จัดอันดับรายการ 'i' ตัวอย่างบางส่วนของฟังก์ชั่นการรวมรวม: ที่ k เป็นปัจจัย normalizing กำหนดเป็น k = 1 / sum_ {u ^ นายก in U} | operatorname {} simil (U, U ^ นายก) | และ bar {} r_u เป็นคะแนนเฉลี่ยของผู้ใช้ยูสำหรับรายการทั้งหมดที่จัดอันดับโดยผู้ใช้ที่. อัลกอริทึมพื้นที่ใกล้เคียงที่ใช้คำนวณความคล้ายคลึงกันระหว่างสองผู้ใช้หรือรายการที่ผลิตทำนายสำหรับผู้ใช้การถัวเฉลี่ยถ่วงน้ำหนักของคะแนนทั้งหมด . การคำนวณความคล้ายคลึงกันระหว่างรายการหรือผู้ใช้ที่เป็นส่วนสำคัญของวิธีการนี้ กลไกหลายอย่างเช่นความสัมพันธ์เพียร์สันและโคไซน์เวกเตอร์คล้ายคลึงกันตามที่ใช้สำหรับการนี้. คล้ายคลึงสหสัมพันธ์เพียร์สันสองผู้ใช้ x, y ถูกกำหนดให้เป็น

ผลลัพธ์ (ไทย) 3:

กลไกนี้จะใช้ข้อมูลจากผู้ใช้คะแนนความเหมือนระหว่างผู้ใช้หรือรายการ นี้ใช้สำหรับการแนะนำ นี้เป็นกลไกที่ก่อนหน้านี้และมีการใช้ในระบบการค้ามาก มันเป็นเรื่องง่ายที่จะใช้และมีประสิทธิภาพ ตัวอย่างทั่วไปของกลไกนี้ตาง ๆตามโฆษณา และรายการ / ผู้ใช้ตามข้อเสนอแนะจาก top-n [ 3 ] ตัวอย่างเช่น ผู้ใช้ตามแนวค่าของผู้ใช้ ' การจัดอันดับ U ' ให้กับรายการ ' ' จะถูกคำนวณเป็นคะแนนรวมของบางคล้ายผู้ใช้ไปยังรายการที่ :

' U ' แสดงชุดด้านบน ' n ' ผู้ใช้ที่ใกล้เคียงที่สุดกับผู้ใช้ ' U ' ที่นิยมรายการ ' ฉัน ' ตัวอย่างของฟังก์ชันการรวม :

ที่ K เป็น normalizing ปัจจัยกําหนดเป็น k = 1 / sum_ { U
U } N นายกรัฐมนตรีใน | { operatorname การควบคุม } ( u , u
N นายก ) | .และ บาร์ r_u } { เป็นค่าเฉลี่ยการประเมินของผู้ใช้ U สำหรับรายการทั้งหมดที่จัดอันดับโดยผู้ใช้ .

บ้านตามขั้นตอนวิธีคำนวณความคล้ายคลึงกันระหว่างสองระบบ หรือ รายการที่ผลิตโดยผู้ใช้นำหนักเฉลี่ยของคะแนนทั้งหมด ความคล้ายคลึงกันระหว่างรายการคำนวณหรือผู้ใช้เป็นส่วนที่สำคัญของวิธีการนี้หลายกลไก เช่น หาค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สันและโคไซน์คล้ายคลึงกันโดยใช้เวกเตอร์นี้ .

หาค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สัน ความเหมือนของสองผู้ใช้ X , Y

หมายถึง