The explosive growth of the world-w

The explosive growth of the world-wide-web and the emergence
of e-commerce has led to the development of recommender
systems [16]. Recommender systems are personalized
information ltering technology used to either predict
whether a particular user will like a particular item (prediction
problem) or to identify a set of N items that will be
of interest to a certain user (top-N recommendation problem).
In recent years, recommender systems have been used
in a number of dierent applications [22, 9, 12, 23, 21, 11,
15, 3] such as recommending products a customer will most
likely buy; movies, TV programs, or music a user will nd
enjoyable; identifying web-pages that will be of interest; or
even suggesting alternate ways of searching for information.
An excellent survey of dierent recommender systems for
various applications can be found in [21, 16].
Over the years, various approaches for building recommender
systems have been developed that utilize either demographic,
content, or historical information [9, 1, 2, 22,
23, 12]. Among them, collaborative ltering (CF), which
relies on historical information, is probably the most successful
and widely used technique for building recommender
systems [17, 12]. The rst system to generate automated
recommendations was the GroupLens system [17, 12], it provided
users with personalized recommendations on Usenet
postings. The recommendations for each individual were
obtained by identifying a neighborhood of similar users and
recommending the articles that this group of users found
useful.

ผลลัพธ์ (ไทย) 1:

การเจริญเติบโต--เว็บและเกิดของอีคอมเมิร์ซได้นำไปสู่การพัฒนาของผู้แนะนำระบบ [16] ระบบผู้แนะนำจะถูกดัดแปลงltering สารสนเทศใช้เพื่อการทำนายว่าผู้ใดจะชอบสินค้า (คาดเดาปัญหา) หรือ เพื่อระบุชุดรายการ N ที่จะน่าสนใจสำหรับผู้ใช้บางอย่าง (คำแนะนำด้านบน N ปัญหา)ในปีที่ผ่านมา การใช้ระบบผู้แนะนำในจำนวนของโปรแกรม erent di [22, 9, 12, 23, 21, 1115, 3] เช่นการแนะนำผลิตภัณฑ์ ลูกค้าจะมากที่สุดมีแนวโน้มซื้อ ภาพยนตร์ รายการโทรทัศน์ หรือเพลงผู้จะ ndสนุก หน้าเว็บที่น่าสนใจ ระบุ หรือได้แนะนำวิธีอื่นในการค้นหาข้อมูลการสำรวจยอดเยี่ยมระบบผู้แนะนำ erent ดีสำหรับโปรแกรมประยุกต์ต่าง ๆ ที่สามารถพบใน [21, 16]ปี วิธีการต่าง ๆ สำหรับการสร้างผู้แนะนำระบบได้ถูกพัฒนาขึ้นใช้อย่างใดอย่างหนึ่งทางประชากรเนื้อหา หรือข้อมูลทางประวัติศาสตร์ [9, 1, 2, 2223, 12] ในหมู่พวกเขา ความร่วมมือ ltering (CF), ซึ่งอาศัยข้อมูลประวัติศาสตร์ เสร็จคงมากที่สุดและเทคนิคที่ใช้กันอย่างแพร่หลายสำหรับอาคารผู้แนะนำระบบ [17, 12] อัตโนมัติระบบ rst เพื่อสร้างคำแนะนำเป็นระบบ GroupLens [17, 12], มันให้ผู้ใช้ที่ มีคำแนะนำบุคคลใน usenet บนลงรายการบัญชี คำแนะนำสำหรับแต่ละบุคคลได้รับ โดยระบุย่านของผู้ใช้ที่คล้ายกัน และแนะนำบทความที่ผู้ใช้กลุ่มนี้มีประโยชน์

ผลลัพธ์ (ไทย) 2:

เจริญเติบโตระเบิดของเว็บทั่วโลกและการเกิดขึ้น
ของ e-commerce ได้นำไปสู่การพัฒนาของผู้แนะนำ
ระบบ [16] ระบบ Recommender เป็นส่วนบุคคล
เทคโนโลยี ltering ข้อมูลที่ใช้ในการอย่างใดอย่างหนึ่งคาดการณ์
ว่าผู้ใช้โดยเฉพาะอย่างยิ่งจะชอบรายการเฉพาะ (คาดการณ์
ปัญหา) หรือระบุชุดของรายการที่ยังไม่มีที่จะเป็น
ที่สนใจของผู้ใช้บางอย่าง (ด้านบน-N ปัญหาข้อเสนอแนะ.)
ใน ปีที่ผ่านมาระบบ recommender ได้ถูกนำมาใช้
ในจำนวนของดิแอพพลิเค erent [22, 9, 12, 23, 21, 11,?
15, 3] เช่นการแนะนำผลิตภัณฑ์ของลูกค้าส่วนใหญ่จะ
ซื้อมีแนวโน้ม; ภาพยนตร์, รายการโทรทัศน์หรือเพลงที่ผู้ใช้จะ ND
สนุก; ระบุหน้าเว็บที่จะเป็นที่สนใจ; หรือ
แม้แต่การแนะนำหนทางอื่นในการค้นหาข้อมูล.
สำรวจที่ดีเยี่ยมจาก di? erent ระบบ recommender สำหรับ
การใช้งานต่างๆสามารถพบได้ใน [21, 16].
หลายปีที่ผ่านวิธีการต่างๆในการสร้างผู้แนะนำ
ระบบได้รับการพัฒนาที่ใช้ทั้งประชากร
เนื้อหาหรือข้อมูลทางประวัติศาสตร์ [9, 1, 2, 22,
23, 12] ในหมู่พวกเขาทำงานร่วมกัน ltering (CF) ซึ่ง
ต้องอาศัยข้อมูลทางประวัติศาสตร์อาจจะเป็นที่ประสบความสำเร็จมากที่สุด
และเทคนิคที่ใช้กันอย่างแพร่หลายสำหรับการสร้างผู้แนะนำ
ระบบ [17, 12] ระบบแรกในการสร้างอัตโนมัติ
คำแนะนำเป็นระบบ GroupLens [17, 12] ก็ให้
ผู้ใช้ที่มีคำแนะนำส่วนบุคคลบน Usenet
การโพสต์ คำแนะนำสำหรับแต่ละบุคคลได้รับการ
ได้รับโดยการระบุพื้นที่ใกล้เคียงของผู้ใช้ที่คล้ายกันและ
แนะนำบทความที่กลุ่มของผู้ใช้นี้พบ
มีประโยชน์

ผลลัพธ์ (ไทย) 3:

การเจริญเติบโตระเบิดของเวิลด์ไวด์เว็บและงอก
ของอีคอมเมิร์ซได้นำไปสู่การพัฒนาระบบแนะนำ
[ 16 ] แนะนำระบบเป็นส่วนบุคคล
ข้อมูล  ltering เทคโนโลยีที่ใช้เพื่อให้ทำนาย
ไม่ว่าผู้ใช้ใดจะชอบรายการเฉพาะ ( ปัญหาพยากรณ์
) หรือการระบุชุดของรายการที่จะถูก
สนใจของผู้ใช้บาง ( ปัญหาข้อเสนอแนะ top-n ) .
ในปีล่าสุด แนะนำระบบถูกใช้
ในจำนวนของ ดิ  erent การใช้งาน [ 22 , 9 , 12 , 23 , 21 , 11
15 , 3 ] เช่น การแนะนำผลิตภัณฑ์ที่ลูกค้าส่วนใหญ่จะ
ซื้อ ภาพยนตร์ โทรทัศน์โปรแกรมหรือเพลงที่ผู้ใช้จะ  ND
สนุกสนาน ; ระบุหน้าเว็บนั้นจะเป็นประโยชน์หรือ
;ยังแนะนำให้สลับวิธีของการค้นหาข้อมูล จากการสำรวจของ ดิ 
ยอดเยี่ยม erent แนะนำระบบสำหรับ
โปรแกรมต่างๆสามารถพบได้ใน 21 [ 16 ] .
ปี แนวทางต่าง ๆเพื่อแนะนำระบบ
อาคารได้รับการพัฒนาที่ใช้ทั้งส่วนบุคคล
เนื้อหา หรือข้อมูลทางประวัติศาสตร์ [ 9 , 1 2 , 22 ,
23 12 ] ในหมู่พวกเขาร่วมกัน  ltering ( CF ) ซึ่ง
อาศัยข้อมูลทางประวัติศาสตร์อาจจะประสบความสำเร็จมากที่สุดและใช้กันอย่างแพร่หลายเทคนิค

แนะนำระบบ 17 อาคาร [ 12 ] การ  RST ระบบเพื่อสร้างข้อเสนอแนะอัตโนมัติ
เป็น grouplens ระบบ [ 17 , 12 ] ก็ให้ผู้ใช้ที่มีข้อเสนอแนะใน Usenet ส่วนบุคคล

ป้าย ข้อเสนอแนะสำหรับแต่ละบุคคลได้
ได้โดยการระบุชุมชนของผู้ใช้ที่คล้ายกันและ
แนะนำบทความที่กลุ่มผู้ใช้พบ
มีประโยชน์