Item Similarity ComputationOne crit

Item Similarity Computation

One critical step in the item-based collaborative filtering algorithm is to compute the similarity between items and then to select the most similar items. The basic idea in similarity computation between two items i and j is to first isolate the users who have rated both of these items and then to apply a similarity computation technique to determine the similarity si,j. Figure 2 illustrates this process, here the matrix rows represent users and the columns represent items.



There are a number of different ways to compute the similarity between items. Here we present three such methods. These are cosine-based similarity, correlation-based similarity and adjusted-cosine similarity.

ผลลัพธ์ (ไทย) 2:

รายการคล้ายคลึงคำนวณขั้นตอนหนึ่งที่สำคัญในการทำงานร่วมกันขั้นตอนวิธีการกรองรายการที่ใช้คือการคำนวณความคล้ายคลึงกันระหว่างรายการและจากนั้นก็จะเลือกรายการที่คล้ายกันมากที่สุด แนวคิดพื้นฐานในการคำนวณความคล้ายคลึงกันระหว่างสองรายการ i และ j แรกคือการแยกผู้ใช้ที่ได้รับการจัดอันดับทั้งสองของรายการเหล่านี้และจากนั้นจะใช้เทคนิคการคำนวณความคล้ายคลึงกันในการกำหนดความคล้ายคลึงกัน si, J รูปที่ 2 แสดงให้เห็นถึงขั้นตอนนี้ที่นี่แถวเมทริกซ์เป็นตัวแทนของผู้ใช้และคอลัมน์แทนรายการ. มีหลายวิธีที่แตกต่างกันในการคำนวณความคล้ายคลึงกันระหว่างรายการที่มี ที่นี่เรานำเสนอสามวิธีการดังกล่าว เหล่านี้มีความคล้ายคลึงกันโคไซน์ตามความคล้ายคลึงกันตามความสัมพันธ์และความคล้ายคลึงกันปรับโคไซน์

ผลลัพธ์ (ไทย) 3:

มีความเหมือนในการคำนวณรายการหนึ่งในรายการที่ใช้ร่วมกันขั้นตอนการกรองวิธีการคำนวณความคล้ายคลึงระหว่างรายการ และจากนั้น เลือกรายการที่คล้ายกันมากที่สุดแนวคิดพื้นฐานในการคำนวณความคล้ายระหว่างสองรายการ I และ J เป็นครั้งแรกเพื่อแยกผู้ที่ได้อันดับที่ 2 ของรายการเหล่านี้ และจากนั้น ใช้เทคนิคการคำนวณเพื่อศึกษาความเหมือนความเหมือน ซี เจ รูปที่ 2 แสดงให้เห็นถึงกระบวนการตรงนี้ เมทริกซ์แถวเป็นตัวแทนของผู้ใช้และคอลัมน์แทน



รายการมีหลายวิธีที่แตกต่างกันเพื่อหาค่าความเหมือนระหว่างรายการ ที่นี่เรานำเสนอ 3 วิธีดังกล่าว เหล่านี้มีความเหมือนจากโคไซน์ ( ปรับตามความเหมือนและคล้ายคลึง โคไซน์