algorithm as a pre-processing step

algorithm as a pre-processing step to help in neighborhood formation. They do not restrict the neighborhood to the cluster the user belongs to but
rather use the distance from the user to different cluster centroids as a pre-selection
step for the neighbors. They also implement a cluster-based smoothing technique in
which missing values for users in a cluster are replaced by cluster representatives.
Their method is reported to perform slightly better than standard kNN-based CF. In
a similar way, Sarwar et al. [26] describe an approach to implement a scalable kNN
classifier. They partition the user space by applying the bisecting k-means algorithm
and then use those clusters as the base for neighborhood formation. They report a
decrease in accuracy of around 5% as compared to standard kNN CF. However, their
approach allows for a significant improvement in efficiency.
Connor and Herlocker [21] present a different approach in which, instead of
users, they cluster items. Using the Pearson Correlation similarity measure they try
out four different algorithms: average link hierarchical agglomerative [39], robust
clustering algorithm for categorical attributes (ROCK) [40], kMetis, and hMetis 3.
Although clustering did improve efficiency, all of their clustering techniques yielded
worse accuracy and coverage than the non-partitioned baseline. Finally, Li et al.[60]
and Ungar and Foster [72] present a very similar approach for using k-means clustering for solving a probabilistic model interpretation of the recommender problem.

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมเป็นขั้นตอนก่อนการประมวลผลเพื่อช่วยในการก่อตัวในบริเวณใกล้เคียง พวกเขาไม่จำกัดพื้นที่ใกล้เคียงผู้เป็นสมาชิกของคลัสเตอร์ แต่ค่อนข้าง ใช้ระยะทางจากผู้ใช้ไป centroids ของคลัสเตอร์ที่แตกต่างกันเป็นตัวเลือกก่อนขั้นตอนสำหรับบ้าน พวกเขายังนำตามคลัสเตอร์บริการนวดเทคนิคในค่าที่ขาดหายไปสำหรับผู้ใช้ในคลัสเตอร์จะถูกแทนที่ โดยตัวแทนคลัสเตอร์มีรายงานวิธีการทำเล็กน้อยดีกว่ามาตรฐานตาม kNN CF. ในฉัน Sarwar et al. [26] อธิบายถึงวิธีการใช้ kNN ปรับสเกลclassifier พวกพาร์ทิชันพื้นที่ผู้ใช้ โดยใช้อัลกอริทึมหมายถึง k bisectingแล้ว คลัสเตอร์ที่ใช้เป็นฐานสำหรับย่านก่อตัว พวกเขารายงานตัวลดความแม่นยำประมาณ 5% เมื่อเทียบกับมาตรฐาน kNN CF. อย่างไรก็ตาม พวกเขาวิธีการปรับปรุง significant ใน efficiency ได้คอนเนอร์และ Herlocker [21] นำเสนอวิธีการแตกต่างกันที่ แทนผู้ใช้ พวกเขาคลัสเตอร์สินค้า ใช้วัดความคล้ายความสัมพันธ์ของเพียร์สันที่พวกเขาพยายามออกอัลกอริทึมต่าง ๆ สี่: เฉลี่ยเชื่อมโยงลำดับ agglomerative [39], แข็งแกร่งคลัสเตอร์อัลกอริทึมสำหรับแอตทริบิวต์แน่ชัด (ร็อค) [40], kMetis และ hMetis 3แม้ว่าคลัสเตอร์ไม่ได้ปรับปรุง efficiency เทคนิคของระบบคลัสเตอร์ทั้งหมดผลความถูกต้องและครอบคลุมกว่าพื้นฐานไม่ใช่การแบ่งพาร์ติชันแย่ ร้อยเอ็ด Li al. [60] ในที่สุดและนำเสนอวิธีการคล้ายการใช้ k-หมายถึงคลัสเตอร์สำหรับแก้รุ่น probabilistic ตีความของผู้แนะนำ Ungar และฟอสเตอร์ [72]

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีการเป็นขั้นตอนก่อนการประมวลผลที่จะช่วยในการสร้างพื้นที่ใกล้เคียง พวกเขาไม่ได้ จำกัด พื้นที่ใกล้เคียงกับคลัสเตอร์ผู้ใช้อยู่ แต่
ค่อนข้างใช้ระยะทางจากผู้ใช้เพื่อให้จุดศูนย์ถ่วงของคลัสเตอร์ที่แตกต่างกันเป็นตัวเลือกก่อน
ขั้นตอนสำหรับเพื่อนบ้าน พวกเขายังใช้เทคนิคการปรับให้เรียบคลัสเตอร์อยู่ใน
ซึ่งค่าที่ขาดหายไปสำหรับผู้ใช้ในคลัสเตอร์ที่จะถูกแทนที่โดยผู้แทนคลัสเตอร์.
วิธีการของพวกเขาจะมีการรายงานการดำเนินการที่ดีขึ้นเล็กน้อยกว่ามาตรฐาน CF. kNN ตาม ใน
ลักษณะที่คล้ายกันโฉบและคณะ [26] อธิบายวิธีการที่จะดำเนินการขยายขีดความสามารถ kNN
จัดประเภทเอ้อ Fi พวกเขาแบ่งพาร์ติชันพื้นที่ของผู้ใช้โดยใช้อัลกอริทึมร่าง k-วิธีการ
และใช้กลุ่มผู้ที่เป็นฐานสำหรับการสร้างบ้านใกล้เรือนเคียง พวกเขารายงาน
การลดลงของความถูกต้องของประมาณ 5% เมื่อเทียบกับมาตรฐาน kNN CF. อย่างไรก็ตามพวกเขา
วิธีการที่ช่วยให้การปรับปรุงลาดเทมีนัยสำคัญในการขาดเพียง Fi EF.
คอนเนอร์และ Herlocker [21] นำเสนอวิธีการที่แตกต่างกันในการที่แทน
ผู้ใช้พวกเขากลุ่มรายการ ใช้วัดความคล้ายคลึงสหสัมพันธ์เพียร์สันที่พวกเขาพยายาม
ออกสี่ขั้นตอนวิธีการที่แตกต่างกัน: การเชื่อมโยงเฉลี่ยลำดับชั้น agglomerative [39] และมีประสิทธิภาพ
ขั้นตอนวิธีการจัดกลุ่มสำหรับแอตทริบิวต์เด็ดขาด (ROCK) [40], kMetis และ hMetis 3.
แม้ว่าการจัดกลุ่มได้ปรับปรุงประสิทธิภาพในสาย EF ทั้งหมดของการจัดกลุ่มของพวกเขา เทคนิคการให้ผล
ความถูกต้องและความคุ้มครองที่เลวร้ายยิ่งกว่าพื้นฐานที่ไม่ได้แบ่งพาร์ติชัน สุดท้าย Li et al. [60]
และ Ungar และฟอสเตอร์ [72] ปัจจุบันวิธีการที่คล้ายกันมากสำหรับการใช้ k หมายถึงการจัดกลุ่มในการแก้ตีความรูปแบบความน่าจะเป็นของปัญหา recommender

ผลลัพธ์ (ไทย) 3:

วิธีการเป็นขั้นตอนการประมวลผลเพื่อช่วยในการพัฒนาชุมชน พวกเขาไม่ จำกัด ละแวกกลุ่มผู้ใช้เป็นของแต่
ค่อนข้างใช้ระยะจากผู้ใช้กลุ่มที่แตกต่างกันเป็นจุดเซนทรอยด์ก่อนการคัดเลือก
ขั้นตอนสำหรับเพื่อนบ้าน พวกเขายังใช้เทคนิคการทำให้เรียบใน
กลุ่มตามซึ่งค่าสูญหายสำหรับผู้ใช้ในกลุ่มจะถูกแทนที่โดยผู้แทนกลุ่ม วิธีการของพวกเขาคือการรายงาน
แสดงเล็กน้อยดีกว่า knn มาตรฐานตามโฆษณาในลักษณะที่คล้ายกัน Sarw ā r
, et al . [ 26 ] อธิบายแนวทางการใช้ระบบ knn
classi จึงเอ้อ พวกเขาแบ่งผู้ใช้พื้นที่โดยการประยุกต์ใช้อัลกอริทึม
k-means bisectingและใช้กลุ่มที่เป็นฐานสำหรับการพัฒนาชุมชน พวกเขารายงาน
ลดความถูกต้องของประมาณ 5% เมื่อเทียบกับมาตรฐาน knn CF . อย่างไรก็ตาม , วิธีการของพวกเขา
ช่วยให้ signi จึงไม่สามารถปรับปรุงประสิทธิภาพใน EF จึง .
คอนเนอร์และ herlocker ปัจจุบัน [ 21 ] เป็นวิธีที่แตกต่างกันในที่แทนของ
ผู้ใช้พวกเขา กลุ่มสินค้า โดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียรสัน คล้ายวัดพวกเขาพยายาม
สี่ขั้นตอนวิธีที่แตกต่างกัน : เฉลี่ย [ 39 ] ลิงค์ลำดับชั้น agglomerative แข็งแกร่ง
การจัดกลุ่มขั้นตอนวิธีสำหรับคุณลักษณะเด็ดขาด ( หิน ) [ 40 ] kmetis และ hmetis 3
ถึงแม้ว่าการจัดกลุ่มได้ปรับปรุงหลักสูตรจึงประสิทธิภาพทั้งหมดของพวกเขาสามารถให้ค่า
ความถูกต้องและครอบคลุมเทคนิคด้อยกว่า ไม่แบ่งระดับ ในที่สุด , Li et al . [ 60 ]
อังเกอร์อุปถัมภ์ [ 72 ] และและปัจจุบัน คล้ายกันมาก แนวทางใช้ k-means การจัดกลุ่มเพื่อแก้ไขรูปแบบการตีความของ
แนะนำปัญหา