Collaborative filtering (CF) is a t

Collaborative filtering (CF) is a technique used by some recommender systems.[1] Collaborative filtering has two senses, a narrow one and a more general one.[2] In general, collaborative filtering is the process of filtering for information or patterns using techniques involving collaboration among multiple agents, viewpoints, data sources, etc.[2] Applications of collaborative filtering typically involve very large data sets. Collaborative filtering methods have been applied to many different kinds of data including: sensing and monitoring data, such as in mineral exploration, environmental sensing over large areas or multiple sensors; financial data, such as financial service institutions that integrate many financial sources; or in electronic commerce and web applications where the focus is on user data, etc. The remainder of this discussion focuses on collaborative filtering for user data, although some of the methods and approaches may apply to the other major applications as well.

In the newer, narrower sense, collaborative filtering is a method of making automatic predictions (filtering) about the interests of a user by collecting preferences or taste information from many users (collaborating). The underlying assumption of the collaborative filtering approach is that if a person A has the same opinion as a person B on an issue, A is more likely to have B's opinion on a different issue x than to have the opinion on x of a person chosen randomly. For example, a collaborative filtering recommendation system for television tastes could make predictions about which television show a user should like given a partial list of that user's tastes (likes or dislikes).[3] Note that these predictions are specific to the user, but use information gleaned from many users. This differs from the simpler approach of giving an average (non-specific) score for each item of interest, for example based on its number of votes.

ผลลัพธ์ (ไทย) 1:

ร่วมกรอง (CF) เป็นเทคนิคที่ใช้ โดยบางระบบผู้แนะนำ[1] กรองร่วมกันมีความรู้สึกสอง หนึ่งแคบ และคนทั่วไป[2] โดยทั่วไป ความร่วมมือในการกรองเป็นกระบวนการกรองข้อมูล หรือรูปแบบใช้เทคนิคที่เกี่ยวข้องกับความร่วมมือระหว่างหลายตัวแทน มุมมอง แหล่งข้อมูล ฯลฯ [2] ใช้กรองร่วมกันมักจะเกี่ยวข้องกับชุดข้อมูลขนาดใหญ่มาก ได้ใช้วิธีการกรองร่วมกันไปมากมายหลายชนิดรวมถึงข้อมูล: ตรวจวัดและตรวจสอบข้อมูล การสำรวจแร่ สิ่งแวดล้อมตรวจเซ็นเซอร์หลาย หรือพื้นที่ขนาดใหญ่เช่น ข้อมูลทางการเงิน เช่นสถาบันการเงินที่รวมหลายแหล่งการเงิน หรือการพาณิชย์อิเล็กทรอนิกส์และโปรแกรมประยุกต์เว็บที่เน้นเป็นผู้ใช้ข้อมูล ฯลฯ ส่วนเหลือของคำอธิบายนี้มุ่งเน้นการกรองข้อมูลผู้ใช้ ร่วมแม้ว่าบางส่วนของวิธีการและแนวทางอาจใช้หลักโปรแกรมประยุกต์อื่นเช่นในความรู้สึกแคบลง ใหม่ กรองร่วมกันเป็นวิธีการคาดคะเนโดยอัตโนมัติ (กรอง) เกี่ยวกับผลประโยชน์ของผู้ใช้โดยกำหนดลักษณะการเก็บรวบรวมข้อมูลรสชาติจากผู้ใช้หลายคน (ร่วมมือ) สมมติฐานพื้นฐานของวิธีกรองร่วมกันคือถ้าตัว A มีความเห็นเดียวกันเป็นบุคคล B ปัญหา A มักมีความคิดของ B ในประเด็น x มากกว่าการมีความเห็นใน x ตัวเลือกแบบสุ่ม ตัวอย่าง ระบบแนะนำกรองร่วมสำหรับรสนิยมนี่สามารถทำให้การคาดคะเนเกี่ยวกับโทรทัศน์ที่แสดงผู้ใช้ควรเช่นกำหนดเป็นรายการบางส่วนของรสนิยมของผู้ใช้ (ชอบหรือไม่ชอบ)[3] หมายเหตุที่คาดการณ์เหล่านี้เฉพาะผู้ใช้ แต่ใช้ข้อมูลคาดมีผู้ใช้จำนวนมาก ซึ่งแตกต่างจากวิธีง่ายกว่าการให้คะแนน (เจาะจง) เฉลี่ยสำหรับแต่ละสินค้าน่าสนใจ ตัวอย่าง ตามจำนวนคะแนนเสียงของ

ผลลัพธ์ (ไทย) 2:

กรองความร่วมมือ (CF) เป็นเทคนิคที่ใช้โดยบางระบบ recommender. [1] ร่วมมือกรองมีสองความรู้สึกหนึ่งที่แคบและหนึ่งทั่วไปมากขึ้น. [2] โดยทั่วไปการกรองการทำงานร่วมกันเป็นกระบวนการของการกรองสำหรับข้อมูลหรือรูปแบบการใช้ เทคนิคที่เกี่ยวข้องกับการทำงานร่วมกันระหว่างตัวแทนหลายมุมมองที่แหล่งข้อมูลอื่น ๆ [2] การประยุกต์ใช้การกรองการทำงานร่วมกันมักจะเกี่ยวข้องกับชุดข้อมูลขนาดใหญ่มาก วิธีการกรองความร่วมมือที่ได้รับนำไปใช้กับชนิดที่แตกต่างของข้อมูลรวมทั้งข้อมูลการตรวจวัดและการตรวจสอบเช่นในการสำรวจแร่, การตรวจวัดสิ่งแวดล้อมมากกว่าพื้นที่ขนาดใหญ่หรือเซ็นเซอร์หลาย ๆ ข้อมูลทางการเงินเช่นสถาบันบริการทางการเงินที่รวมแหล่งข้อมูลทางการเงินจำนวนมาก; หรือในการพาณิชย์อิเล็กทรอนิกส์และการใช้งานเว็บที่ให้ความสำคัญกับข้อมูลที่ผู้ใช้อื่น ๆ ที่เหลือของการสนทนานี้มุ่งเน้นไปที่การทำงานร่วมกันสำหรับการกรองข้อมูลของผู้ใช้แม้ว่าบางส่วนของวิธีการและแนวทางที่อาจนำไปใช้งานที่สำคัญอื่น ๆ เช่นกัน. ในใหม่ ความรู้สึกแคบกรองการทำงานร่วมกันเป็นวิธีการที่ทำให้การคาดการณ์โดยอัตโนมัติ (การกรอง) เกี่ยวกับผลประโยชน์ของผู้ใช้โดยการจัดเก็บการตั้งค่าหรือลิ้มรสข้อมูลจากผู้ใช้จำนวนมาก (การทำงานร่วมกัน) สมมติฐานพื้นฐานของวิธีการกรองการทำงานร่วมกันก็คือว่าถ้าเป็นคนที่มีความคิดเห็นแบบเดียวกันเป็นคน B บนปัญหามีแนวโน้มที่จะมีความเห็น B บนปัญหาที่แตกต่างกัน x กว่าที่จะมีความเห็นเกี่ยวกับ x ของสมาชิกผู้ได้รับการแต่งตั้ง สุ่ม ยกตัวอย่างเช่นระบบแนะนำการกรองการทำงานร่วมกันสำหรับรสนิยมของโทรทัศน์จะทำให้การคาดการณ์เกี่ยวกับการที่โทรทัศน์แสดงให้ผู้ใช้ควรจะชอบให้รายการบางส่วนของรสนิยมของผู้ใช้ (ชอบหรือไม่ชอบ). [3] โปรดสังเกตว่าการคาดการณ์เหล่านี้มีความเฉพาะเจาะจงกับผู้ใช้ แต่ ข้อมูลที่รวบรวมได้จากการใช้งานผู้ใช้จำนวนมาก ซึ่งแตกต่างจากวิธีการที่เรียบง่ายของการให้เฉลี่ย (ไม่ใช่เฉพาะ) คะแนนสำหรับแต่ละรายการที่น่าสนใจเช่นขึ้นอยู่กับจำนวนของการโหวต

ผลลัพธ์ (ไทย) 3:

แบบกรอง ( CF ) เป็นเทคนิคที่ใช้โดยระบบแนะนำบาง [ 1 ] ร่วมกันกรองมีสองอย่าง หนึ่งแคบและเป็นทั่วไปมากขึ้น [ 2 ] โดยทั่วไป คือ กระบวนการของการกรองและการกรองข้อมูลหรือรูปแบบการใช้เทคนิคที่เกี่ยวข้องกับความร่วมมือของหลาย ๆตัวแทน มุมมอง แหล่งข้อมูล เป็นต้น[ 2 ] การประยุกต์ใช้ร่วมกันกรองมักจะเกี่ยวข้องกับชุดข้อมูลที่มีขนาดใหญ่มาก วิธีการกรองร่วมกัน มีการใช้ชนิดที่แตกต่างของข้อมูลรวมถึงการตรวจจับ และการตรวจสอบข้อมูล เช่น ในการสำรวจแร่ สิ่งแวดล้อมจากทั่วพื้นที่ขนาดใหญ่หรือเซนเซอร์หลายตัว ข้อมูลทางการเงิน เช่น บริการสถาบันการเงินที่บูรณาการแหล่งทุนมากมายหรือพาณิชย์อิเล็กทรอนิกส์และการใช้งานเว็บที่เน้นข้อมูลผู้ใช้ เป็นต้น ส่วนที่เหลือของการสนทนานี้จะเน้นที่ความร่วมมือการกรองข้อมูลผู้ใช้แม้ว่าบางส่วนของวิธีการและวิธีการที่อาจจะใช้กับโปรแกรมหลักๆ เหมือนกัน

ในรุ่นใหม่ กว่าความรู้สึกแบบการกรองเป็นวิธีการทำให้คาดคะเนอัตโนมัติ ( การกรอง ) เกี่ยวกับความสนใจของผู้ใช้ โดยเก็บรวบรวมข้อมูลจากผู้ใช้มากมาย ความชอบหรือรสนิยม ( ร่วมมือ ) ภายใต้สมมติฐานของการร่วมกันกรองว่าถ้าบุคคลที่มีความเห็นเช่นเดียวกับบุคคลในปัญหาเป็นโอกาสที่จะมีความคิดเห็นที่แตกต่างกันออก B X มากกว่าที่จะมีความเห็นใน X เป็นคนเลือกแบบสุ่ม ตัวอย่างเช่น ร่วมกันแนะนำระบบกรองรส โทรทัศน์ สามารถทำให้การคาดการณ์เกี่ยวกับรายการโทรทัศน์ที่ผู้ใช้อยากให้รายการบางส่วนของผู้ใช้รสนิยมชอบ ( หรือไม่ชอบ ) [ 3 ] หมายเหตุว่า การคาดการณ์เหล่านี้มีเฉพาะกับผู้ใช้แต่ใช้ข้อมูลที่รวบรวมจากผู้ใช้มากมาย ซึ่งแตกต่างจากวิธีการที่เรียบง่ายของให้เฉลี่ย ( ไม่เจาะจง ) คะแนนสำหรับแต่ละรายการที่น่าสนใจ ตัวอย่างเช่นขึ้นอยู่กับจำนวนของคะแนนโหวต