Multi-attribute content preference

Multi-attribute content preference modeling. One way to model user preferences is by analyzing multi-attribute content of items that users purchased or liked.
Many multi-criteria recommender systems incorporate these content-based features
either directly into the recommendation process (i.e., use a content-based approach)
or in combination with collaborative recommendation techniques (i.e., use a hybrid
approach). In these systems, users are typically allowed to implicitly or explicitly
express their preferences with single-criterion ratings (e.g., item purchase history or
single numeric ratings). Using these ratings, recommender systems then can learn
users’ content-based preferences in an automated fashion by finding the commonalities among the individual content attributes of items that the users purchased or
liked, e.g., by identifying favorite content attributes (e.g., “comedy” movies) for
each user. As a result, recommendations are made taking into account these favorite

ผลลัพธ์ (ไทย) 1:

ชอบเนื้อหาของแอตทริบิวต์หลายโมเดล วิธีการกำหนดลักษณะผู้ใช้รูปแบบหนึ่ง โดยการวิเคราะห์เนื้อหาหลายคุณลักษณะของสินค้าที่ผู้ซื้อ หรือชอบได้หลายแบบหลายเงื่อนไขผู้แนะนำระบบรวมคุณลักษณะเหล่านี้ใช้เนื้อหาอย่างใดอย่างหนึ่งโดยตรงในการแนะนำ (เช่น ใช้เนื้อหาโดยใช้วิธี)หรือใช้ร่วมกับเทคนิคคำแนะนำร่วมกัน (เช่น ใช้ผสมวิธี) ในระบบเหล่านี้ ผู้ใช้โดยทั่วไปรับโดยนัย หรืออย่างชัดเจนแสดงลักษณะของพวกเขา ด้วยเกณฑ์เดียวอันดับ (เช่น สินค้าประวัติการซื้อ หรือเดียวตัวเลขการจัดอันดับ) ใช้การจัดอันดับเหล่านี้ ผู้แนะนำระบบแล้วสามารถเรียนรู้ลักษณะตามเนื้อหาของผู้ใช้ในการอัตโนมัติแฟชั่น โดย finding commonalities ระหว่างคุณลักษณะเนื้อหาแต่ละรายการของสินค้าที่ผู้ซื้อ หรือชอบ เช่น โดยระบุคุณลักษณะเนื้อหาโปรด (เช่น "ตลก" ภาพยนตร์) สำหรับผู้ใช้แต่ละ ดังนั้น คำแนะนำจะคำนึงเหล่านี้ชื่นชอบ

ผลลัพธ์ (ไทย) 2:

การสร้างแบบจำลองการตั้งค่าเนื้อหาหลายแอตทริบิวต์ วิธีหนึ่งในการสร้างแบบจำลองการตั้งค่าของผู้ใช้โดยการวิเคราะห์เนื้อหาหลายแอตทริบิวต์ของรายการที่ผู้ใช้ซื้อหรือชอบ.
หลายหลายเกณฑ์ระบบ recommender รวมคุณลักษณะเนื้อหาตามเหล่านี้
ทั้งทางตรงเข้าสู่กระบวนการเสนอแนะ (เช่นใช้วิธีการเนื้อหา based)
หรือ ร่วมกับเทคนิคคำแนะนำการทำงานร่วมกัน (เช่นไฮบริดใช้
วิธีการ) ในระบบเหล่านี้ผู้ใช้จะได้รับอนุญาตโดยทั่วไปหรือโดยปริยายอย่างชัดเจน
แสดงความต้องการของพวกเขาที่มีการประเมินเกณฑ์เดียว (เช่นประวัติการซื้อสินค้าหรือ
การจัดอันดับตัวเลขเดี่ยว) การใช้การจัดอันดับเหล่านี้ระบบ recommender แล้วสามารถเรียนรู้
ของผู้ใช้ตั้งค่าเนื้อหาตามในแบบอัตโนมัติโดยสาย nding commonalities ระหว่างคุณลักษณะเนื้อหาของแต่ละรายการที่ผู้ใช้ซื้อหรือ
ชอบเช่นโดยการระบุคุณลักษณะเนื้อหาที่ชื่นชอบ (เช่น "ตลก" ภาพยนตร์) สำหรับ
ผู้ใช้แต่ละคน เป็นผลให้ข้อเสนอแนะที่จะทำโดยคำนึงถึงที่ชื่นชอบของเหล่านี้

ผลลัพธ์ (ไทย) 3:

การตั้งค่าเนื้อหาหลายคุณลักษณะ วิธีหนึ่งในการตั้งค่าผู้ใช้แบบจำลอง โดยวิเคราะห์เนื้อหาของรายการที่ผู้ใช้ซื้อปริญญาหรือชอบ .
มากมายหลายเกณฑ์แนะนำระบบรวมคุณสมบัติเหล่านี้เนื้อหา
อย่างใดอย่างหนึ่งโดยตรงเข้าสู่กระบวนการรับรอง ( เช่น ใช้สําหรับวิธีการ )
หรือใช้ร่วมกับเทคนิคข้อเสนอแนะร่วมกัน ( เช่นใช้วิธีการผสม
) ในระบบนี้ ผู้ใช้จะได้รับอนุญาตอย่างชัดเจนหรือโดยปริยาย
แสดงการตั้งค่าของพวกเขาด้วยการให้คะแนนเกณฑ์เดียว ( เช่นรายการประวัติการซื้อหรือ
เดียวตัวเลขเรตติ้ง ) การจัดอันดับเหล่านี้ ระบบแนะนำ ก็สามารถเรียนรู้
เนื้อหาของผู้ใช้การตั้งค่าในแฟชั่นโดยอัตโนมัติจึงหาสามัญชนในลักษณะเนื้อหาของแต่ละรายการที่ผู้ใช้ซื้อหรือ
ชอบ เช่น โดยการระบุลักษณะเนื้อหาที่ชื่นชอบ ( เช่น " ตลก " ภาพยนตร์ )
ผู้ใช้แต่ละคน ผล แนะนำให้ถ่ายลงในบัญชี เหล่านี้ชื่นชอบ