Multi-attribute content preference

Multi-attribute content preference modeling. Even though these systems typically use single-criterion ratings (e.g., numeric or binary ratings), for any given
user these systems attempt to understand and model the commonalities of multiattribute content among the items the user preferred in the past, and recommend
to the user the items that best match this preferred content. For example, in a
movie recommender system, these commonalities may be represented by specific genres, actors, directors, etc. that the user’s preferred movies have in common.
• Multi-attribute content search and filtering. These systems allow a user to specify her general preferences on content-based attributes across all items, through
searching or filtering processes (e.g., searching for only “comedy” movies or
specifying that “comedy” movies are preferable to “action” movies), and recommend to the user the items that are the most similar to her preferences and
satisfy specified search and/or filtering conditions.
• Multi-criteria rating-based preference elicitation. These systems allow a user
to specify her individual preferences by rating each item on multiple criteria
(e.g., rating the story of movie Wanted as 2 and the visual effects of the same
movie as 5), and recommend to the user the items that can best reflect the user’s
individual preferences based on the multi-criteria ratings provided by this and
other users.

ผลลัพธ์ (ไทย) 1:

ชอบเนื้อหาของแอตทริบิวต์หลายโมเดล แม้ ระบบเหล่านี้มักจะใช้เกณฑ์เดียวจัดอันดับ (เช่น ตัวเลข หรือเลขฐานสองการจัดอันดับ), ใด ๆ ให้ผู้ใช้ระบบเหล่านี้พยายามที่จะเข้าใจ และรุ่น commonalities multiattribute เนื้อหาในรายการผู้ใช้ที่ต้องการในอดีต และแนะนำผู้ใช้ สินค้าว่า ส่วนตรงนี้ต้องการเนื้อหา ตัวอย่าง ในการระบบผู้แนะนำภาพยนตร์ commonalities เหล่านี้จะถูกแสดง ด้วย specific ประเภท นักแสดง กรรมการ ฯลฯ ที่ผู้ใช้ต้องมีภาพยนตร์ร่วมกัน•ค้นหาเนื้อหาหลายแอททริบิวต์และ filtering ระบบนี้อนุญาตให้ผู้ใช้สามารถระบุค่าของเธอทั่วไปในแอตทริบิวต์ตามเนื้อหาในรายการทั้งหมด ผ่านกระบวนการค้นหาหรือ filtering (เช่น ค้นหาเฉพาะ "ตลก" ภาพยนตร์ หรือระบุที่ "ตลก" ภาพยนตร์กว่ากับภาพยนตร์ "ดำเนินการ"), และแนะนำกับผู้ใช้สินค้าที่มีมากที่สุดคล้ายกับลักษณะของเธอ และตอบสนองเงื่อนไขการค้นหาและ/หรือ filtering specified•กำหนดลักษณะการจัดอันดับตามเกณฑ์หลาย elicitation ระบบนี้อนุญาตให้ผู้ใช้การระบุความชอบส่วนตัวของเธอจากการจัดอันดับแต่ละรายการเกณฑ์(เช่น จัดอันดับเรื่องราวของภาพยนตร์ Wanted เป็น 2 และแสดงผลเดียวกันภาพยนตร์ 5), และแนะนำกับผู้ที่สามารถที่สุด reflect ของผู้ใช้แต่ละคนตามการจัดอันดับหลายเงื่อนไขโดยนี้ และผู้ใช้คนอื่น ๆ

ผลลัพธ์ (ไทย) 2:

การสร้างแบบจำลองการตั้งค่าเนื้อหาหลายแอตทริบิวต์ แม้ว่าระบบเหล่านี้มักจะใช้การจัดอันดับเดียวเกณฑ์ (เช่นการจัดอันดับเป็นตัวเลขหรือ binary) สำหรับการใด ๆ
ของผู้ใช้ระบบเหล่านี้พยายามที่จะเข้าใจและแบบธรรมดาเหมือนเนื้อหา multiattribute ในรายการผู้ใช้ที่ต้องการในอดีตที่ผ่านมาและให้คำแนะนำ
ให้กับผู้ใช้ รายการที่ดีที่สุดตรงกับเนื้อหาที่ต้องการนี้ ยกตัวอย่างเช่นใน
ระบบ recommender ภาพยนตร์ commonalities เหล่านี้อาจจะแสดงโดยประเภทคไฟ speci นักแสดงกรรมการ ฯลฯ ที่ภาพยนตร์ที่ต้องการของผู้ใช้มีเหมือนกัน.
•การค้นหาเนื้อหาหลายแอตทริบิวต์และ ltering ไฟ ระบบเหล่านี้ช่วยให้ผู้ใช้เพื่อระบุการตั้งค่าทั่วไปของเธอเกี่ยวกับคุณลักษณะเนื้อหาตามทั่วทุกรายการผ่าน
กระบวนการ ltering ค้นหาหรือไฟ (เช่นการค้นหาเท่านั้น "ตลก" ภาพยนตร์หรือ
ระบุว่า "ตลก" ภาพยนตร์เป็นที่นิยมในการ "การกระทำ" ภาพยนตร์) และแนะนำให้ใช้รายการที่เป็นส่วนใหญ่คล้ายกับการตั้งค่าของเธอและ
ตอบสนองการค้นหาเอ็ดสาย speci และ / หรือไฟเงื่อนไข ltering.
•หลายเกณฑ์ที่ดึงเอาการตั้งค่าคะแนนตาม ระบบเหล่านี้ช่วยให้ผู้ใช้
เพื่อระบุความชอบของแต่ละบุคคลของเธอโดยการให้คะแนนแต่ละรายการในหลายเกณฑ์
(เช่นการจัดอันดับเรื่องราวของภาพยนตร์ที่เป็นที่ต้องการเป็นที่ 2 และผลภาพของเดียวกัน
ภาพยนตร์ 5) และแนะนำให้ผู้ใช้รายการที่สามารถที่ดีที่สุด อีกครั้งสะท้อนของผู้ใช้
ความชอบของแต่ละบุคคลจากการให้คะแนนตามเกณฑ์หลายไว้ให้โดยนี้และ
ผู้ใช้อื่น ๆ

ผลลัพธ์ (ไทย) 3:

การตั้งค่าเนื้อหาหลายคุณลักษณะ แม้ว่าระบบเหล่านี้มักจะใช้คะแนนเกณฑ์เดียว ( เช่นตัวเลขหรือไบนารีการจัดอันดับ ) ใด ๆ ผู้ใช้ระบบเหล่านี้พยายามที่จะเข้าใจ
แบบสามัญชนเนื้อหา multiattribute รายการของผู้ใช้ที่ต้องการในอดีตและแนะนำ
กับผู้ใช้สินค้าที่ดีที่สุดตรงกับเนื้อหาที่ต้องการนี้ ตัวอย่างเช่นใน
ระบบแนะนำภาพยนตร์ สามัญชนเหล่านี้อาจจะแสดงโดยประเภทจึง C ประเภท นักแสดง ผู้บริหาร ฯลฯ ที่ผู้ใช้ภาพยนตร์ที่ต้องการได้ในทั่วไป .
- หลายลักษณะเนื้อหาค้นหาและจึง ltering . ระบบเหล่านี้อนุญาตให้ผู้ใช้เพื่อระบุการตั้งค่าทั่วไปของเธอในเนื้อหาคุณลักษณะในรายการทั้งหมด ผ่านการถ่ายทอด ltering
หรือกระบวนการ ( เช่นค้นหา " ตลก " หรือ " ตลกภาพยนตร์
ระบุชัดว่า " ภาพยนตร์ที่เป็นที่นิยม " การกระทำ " ภาพยนตร์ ) และแนะนำให้ผู้ใช้สินค้าที่คล้ายกันมากที่สุดการตั้งค่าของเธอและ
ตอบสนองกาจึงเอ็ดค้นหาและ / หรือ จึง ltering เงื่อนไข เกณฑ์การจัดอันดับ
- หลายลักษณะตาม ระบบเหล่านี้อนุญาตให้ผู้ใช้
การระบุความชอบของแต่ละบุคคล โดยการประเมินแต่ละรายการบนหลายเกณฑ์
( เช่นการประเมินเรื่องราวของภาพยนตร์ก็เป็น 2 และผลภาพในหนังเรื่องเดียวกัน
5 ) และแนะนำให้ผู้ใช้รายการที่ดีที่สุดที่สามารถจะfl ect ของ
ผู้ใช้แต่ละการตั้งค่าขึ้นอยู่กับหลายเกณฑ์การจัดอันดับโดย นี้

และผู้ใช้อื่น ๆ