One important difference between a

One important difference between a recommender system and a traditional data mining system is that the end-user for the recommender system is the consumer. This difference leads to several desirable properties for recommender system algorithms that have not been explored in data mining algorithms.

Some recommendations are most valuable when they apply to a group of consumers rather than an individual. For instance, movies are most often attended socially. The choice of the right “date movie” can be very important. Recommenders can be used to select products that maximize the value of the product to a group of people. Some systems already support simple versions of this idea, such as selecting a movie that two people will like. Future multi-user recommendation systems will let customers control how the recommender system balances their interests in choosing a product. Should it choose a movie that neither will hate? That she will love? That they will both like? Different algorithms are needed for each of these scenarios to maximize the social good for the group, according to their needs.



The success of a recommender system should be measured by how effectively the system helps customers make decisions that they, retrospectively, consider correct. One interface innovation that can help customers decide when to follow recommendations is to explain the recommendation to the customer, just as many machine-learning algorithms explain their results to their users.
Researchers are currently experimenting with several different explanation models, including summarizing the data behind recommendations, explaining recommendations indirectly (e.g., indicating which of the customer's own preferences most strongly led to a particular recommendation), and providing "persuasive" evidence about the system's success in similar recommendations. Simpler explanation systems display a brief capsule of the amount of data or expected variance in a prediction. Additional research is needed regarding explanation algorithms for other recommender algorithms, and on the effectiveness of explanations in helping
customers decide among recommendations and increasing customer confidence in using recommender systems.

ผลลัพธ์ (ไทย) 1:

หนึ่งความแตกต่างระหว่างระบบผู้แนะนำและระบบการทำเหมืองข้อมูลดั้งเดิมคือผู้ใช้ระบบผู้แนะนำ ผู้บริโภค ความแตกต่างนี้นำไปสู่คุณสมบัติหลายเหมาะสำหรับผู้แนะนำระบบอัลกอริทึมที่ไม่มีการสำรวจในอัลกอริทึมการทำเหมืองข้อมูลบางคำแนะนำจะดีที่สุดเมื่อพวกเขาใช้กับกลุ่มของผู้บริโภคมากกว่าที่เป็นบุคคล ตัวอย่าง ภาพยนตร์มักเข้าร่วมสังคม เลือกด้านขวา "วันภาพยนตร์" สามารถมีความสำคัญมาก สามารถใช้ recommenders ในการเลือกผลิตภัณฑ์ที่เพิ่มมูลค่าของผลิตภัณฑ์ให้กับกลุ่มคน บางระบบสนับสนุนรุ่นนี้ความคิด เช่นการเลือกภาพยนตร์ที่คนสองคนจะง่ายแล้ว ระบบข้อเสนอแนะแบบหลายผู้ใช้ในอนาคตจะช่วยให้ลูกค้าที่ควบคุมวิธีที่ระบบผู้แนะนำยอดดุลความสนใจในการเลือกผลิตภัณฑ์ ควรเลือกภาพยนตร์ไม่ว่าจะเกลียดหรือไม่ ที่เธอจะรักหรือไม่ ที่ทั้งสองจะชอบพวกเขา อัลกอริทึมต่าง ๆ จำเป็นสำหรับแต่ละสถานการณ์เหล่านี้เพื่อให้สังคมดีสำหรับกลุ่ม รักษาควรวัดความสำเร็จของระบบผู้แนะนำ โดยวิธีมีประสิทธิภาพระบบช่วยให้ลูกค้าทำการตัดสินใจที่พวกเขา ย้อนหลัง ได้พิจารณาถูกต้อง นวัตกรรมอินเทอร์เฟซหนึ่งที่สามารถช่วยให้ลูกค้าตัดสินใจว่า จะทำตามคำแนะนำคือการ อธิบายที่แนะนำลูกค้า เหมือนกับอัลกอริทึมหลายเครื่องเรียนอธิบายผลของพวกเขาเองนักวิจัยกำลังทดลอง มีรูปแบบคำอธิบายอื่นหลาย รวมทั้งสรุปข้อมูลหลังแนะนำ อธิบายคำแนะนำทางอ้อม (เช่น ระบุที่กำหนดลักษณะของลูกค้ามากที่สุดขอนำไปสู่คำแนะนำเฉพาะ), และให้หลักฐาน "persuasive" เกี่ยวกับความสำเร็จของระบบในคำแนะนำเหมือนกัน อธิบายง่ายกว่าระบบแสดงแคปซูลโดยย่อของจำนวนข้อมูล หรือคาดว่าผลต่างในการคาดการณ์ จำเป็นต้องมีการวิจัยเพิ่มเติมเกี่ยวกับคำอธิบายอัลกอริทึม สำหรับอัลกอริทึมอื่น ๆ ผู้แนะนำ และประสิทธิภาพของคำอธิบายในช่วยลูกค้าตัดสินใจแนะนำและความเชื่อมั่นของลูกค้าเพิ่มขึ้นในการใช้ระบบผู้แนะนำ

ผลลัพธ์ (ไทย) 2:

หนึ่งความแตกต่างที่สำคัญระหว่างระบบ recommender และระบบการทำเหมืองข้อมูลแบบดั้งเดิมคือการที่ผู้ใช้ปลายทางสำหรับระบบ recommender เป็นผู้บริโภค ความแตกต่างนี้จะนำไปสู่คุณสมบัติที่พึงประสงค์หลายขั้นตอนวิธีการระบบ recommender ที่ยังไม่ได้รับการสำรวจในขั้นตอนวิธีการทำเหมืองข้อมูล. บางคำแนะนำที่มีคุณค่ามากที่สุดเมื่อพวกเขานำไปใช้กับกลุ่มของผู้บริโภคมากกว่าบุคคล ยกตัวอย่างเช่นภาพยนตร์มักจะเข้าร่วมสังคม ทางเลือกของที่เหมาะสม "วันที่ภาพยนตร์" สามารถเป็นสิ่งที่สำคัญมาก Recommenders สามารถใช้ในการเลือกผลิตภัณฑ์ที่เพิ่มมูลค่าของผลิตภัณฑ์ในกลุ่มของผู้คน บางระบบแล้วสนับสนุนรุ่นที่เรียบง่ายของความคิดนี้เช่นการเลือกหนังที่คนสองคนจะชอบ ระบบในอนาคตข้อเสนอแนะของผู้ใช้หลายจะช่วยให้ลูกค้าควบคุมวิธีการระบบ recommender สมดุลผลประโยชน์ของพวกเขาในการเลือกสินค้า มันควรจะเลือกหนังที่จะไม่เกลียด? ว่าเธอจะรัก? ว่าพวกเขาทั้งสองจะชอบ? ขั้นตอนวิธีการที่แตกต่างกันมีความจำเป็นสำหรับแต่ละสถานการณ์เหล่านี้เพื่อเพิ่มทางสังคมที่ดีสำหรับกลุ่มตามความต้องการของพวกเขา. ความสำเร็จของระบบ recommender ควรจะวัดโดยวิธีการอย่างมีประสิทธิภาพระบบจะช่วยให้ลูกค้าในการตัดสินใจว่าพวกเขาย้อนหลังพิจารณาที่ถูกต้อง นวัตกรรมอินเตอร์เฟซที่หนึ่งที่สามารถช่วยให้ลูกค้าตัดสินใจที่จะปฏิบัติตามคำแนะนำคือการอธิบายคำแนะนำให้กับลูกค้าเช่นเดียวกับหลายขั้นตอนวิธีการเรียนรู้เครื่องอธิบายผลของพวกเขาให้กับผู้ใช้ของพวกเขา. นักวิจัยกำลังทดลองกับรูปแบบคำอธิบายที่แตกต่างกันหลายประการรวมถึงการสรุปข้อมูลที่อยู่เบื้องหลัง คำแนะนำอธิบายคำแนะนำทางอ้อม (เช่นระบุว่าการตั้งค่าของตัวเองของลูกค้ามากที่สุดอย่างยิ่งที่จะนำข้อเสนอแนะโดยเฉพาะ) และการให้ "โน้มน้าวใจ" หลักฐานเกี่ยวกับความสำเร็จของระบบในคำแนะนำที่คล้ายกัน ที่เรียบง่ายระบบแสดงคำอธิบายสั้น ๆ ของแคปซูลปริมาณของข้อมูลหรือความแปรปรวนคาดว่าในการทำนาย การวิจัยเพิ่มเติมเป็นสิ่งจำเป็นเกี่ยวกับขั้นตอนวิธีการอธิบายขั้นตอนวิธี recommender อื่น ๆ และในประสิทธิภาพของคำอธิบายในการช่วยให้ลูกค้าตัดสินใจในหมู่คำแนะนำและเพิ่มความเชื่อมั่นของลูกค้าในการใช้ระบบ recommender

ผลลัพธ์ (ไทย) 3:

หนึ่งที่สำคัญและความแตกต่างระหว่างระบบแนะนำแบบ Data Mining เป็นระบบที่ผู้ใช้สำหรับระบบแนะนำคือผู้บริโภค ความแตกต่างนี้นำไปสู่หลายคุณสมบัติที่พึงปรารถนาสำหรับการแนะนำระบบขั้นตอนวิธีที่ยังไม่ได้สำรวจในขั้นตอนวิธีการทำเหมืองข้อมูล .

Some recommendations are most valuable when they apply to a group of consumers rather than an individual. For instance, movies are most often attended socially. The choice of the right “date movie” can be very important. Recommenders can be used to select products that maximize the value of the product to a group of people. Some systems already support simple versions of this idea, such as selecting a movie that two people will like. Future multi-user recommendation systems will let customers control how the recommender system balances their interests in choosing a product. Should it choose a movie that neither will hate? That she will love? That they will both like? Different algorithms are needed for each of these scenarios to maximize the social good for the group,ตามความต้องการของพวกเขา .



ความสำเร็จของการแนะนำระบบควรถูกวัดโดยวิธีการอย่างมีประสิทธิภาพ ระบบจะช่วยให้ลูกค้าในการตัดสินใจว่าพวกเขา ไปข้างหน้า พิจารณาที่ถูกต้อง อินเตอร์เฟซนวัตกรรมที่สามารถช่วยให้ลูกค้าตัดสินใจที่จะปฏิบัติตามข้อเสนอแนะคือ อธิบาย ให้คำแนะนำลูกค้าเช่นเดียวกับหลายเครื่องอัลกอริทึมการเรียนรู้อธิบายผลลัพธ์ของผู้ใช้ นักวิจัยกำลังทดลองโมเดล
คำอธิบายต่าง ๆรวมทั้งสรุปข้อมูลไว้แนะนำ อธิบาย แนะนำ ทางอ้อม ( เช่น ระบุที่ของการตั้งค่าของตัวเองของลูกค้าอย่างมากที่สุด นำไปสู่การแนะนำโดยเฉพาะ )และให้ " ใจ " หลักฐานเกี่ยวกับความสำเร็จของระบบในแนวทางที่คล้ายกัน ระบบแสดงคำอธิบายง่ายกว่าแคปซูลโดยย่อของจํานวนข้อมูลหรือคาดว่าความแปรปรวนในคำทำนาย การวิจัยเพิ่มเติมเป็นสิ่งจำเป็นในการอธิบายขั้นตอนวิธีสำหรับขั้นตอนวิธีการแนะนำคนอื่นๆ และประสิทธิผลของคำอธิบายในการช่วย
ลูกค้าตัดสินใจระหว่างคำแนะนำและเพิ่มความเชื่อมั่นของลูกค้าในการใช้ระบบแนะนำ .