Our Slope One algorithms work on th

Our Slope One algorithms work on the intuitive principle
of a “popularity differential” between items for users.
In a pairwise fashion, we determine how much better one
item is liked than another. One way to measure this differential
is simply to subtract the average rating of the two items.
In turn, this difference can be used to predict another user’s
rating of one of those items, given their rating of the other.
Consider two users A and B, two items I and J and Fig. 1.
User A gave item I a rating of 1, whereas user B gave it a
rating of 2, while user A gave item J a rating of 1.5. We observe
that item J is rated more than item I by 1.5 −1 = 0.5
points, thus we could predict that user B will give item J a
rating of 2+0.5 = 2.5. We call user B the predictee user and
item J the predictee item. Many such differentials exist in a
training set for each unknown rating and we take an average
of these differentials. The family of slope one schemes presented
here arise from the three ways we select the relevant
differentials to arrive at a single prediction.

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมของเราชันหนึ่งทำงานบนหลักการใช้งานง่ายของการ "นิยมแตกต่างกัน" ระหว่างรายการสำหรับผู้ใช้ในแฟชั่นแพร์ไวส์ เรากำหนดเท่าใดหนึ่งดีกว่าสินค้าถูกใจกว่าอีก วิธีหนึ่งที่จะวัดความแตกต่างนี้เป็นเพียงการ ลบคะแนนเฉลี่ยของสินค้าทั้งสองในทางกลับกัน ความแตกต่างนี้สามารถใช้ในการคาดการณ์ของผู้ใช้อื่นคะแนนของสินค้าอย่างใดอย่างหนึ่ง จัดอันดับของพวกเขาของอื่น ๆพิจารณาผู้ใช้สองคน A และ B สินค้าสองรายการที่ผม และ J และรูปที่ 1ผู้ใช้ให้สินค้าผมคะแนน 1 ในขณะที่ผู้ใช้ให้มันเป็นให้คะแนน 2 ในขณะที่ให้ผู้ใช้สินค้า J คะแนน 1.5 เราสังเกตได้รายการ J ได้คะแนนมากกว่าสินค้าฉัน โดย 1.5 − 1 = 0.5จุด ดังนั้นเราสามารถคาดเดาว่า ผู้ใช้ B จะให้สินค้า J เป็นอันดับที่ 2 + 0.5 = 2.5 เราเรียกผู้ใช้ผู้ใช้ predictee และสินค้า J สินค้า predictee ส่วนต่างดังกล่าวมากมายที่มีอยู่ในตัวการฝึกอบรมตั้งสำหรับจัดอันดับแต่ละที่ไม่รู้จัก และเราใช้ค่าเฉลี่ยของเหล่านี้แต่ ครอบครัวของเนินหนึ่งแผนงานที่นำเสนอที่นี่เกิดขึ้นจากสามวิธีที่เราเลือกแต่จะมาถึงการคาดการณ์เดียวกัน

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีการลาดหนึ่งของเราทำงานบนหลักการที่ใช้งานง่าย
ของ "ความนิยมค่า" ระหว่างรายการสำหรับผู้ใช้
ในแฟชั่นคู่เรากำหนดวิธีการที่ดีมากคนหนึ่ง
รายการจะชอบกว่าที่อื่น วิธีหนึ่งในการวัดค่านี้
เป็นเพียงการลบคะแนนเฉลี่ยของทั้งสองรายการ
ในทางกลับกันความแตกต่างนี้สามารถใช้ในการคาดการณ์ของผู้ใช้อื่น
คะแนนของหนึ่งในรายการที่ได้รับการจัดอันดับของอื่น ๆ
พิจารณาสองผู้ใช้ A และ B สองรายการ i และ j และรูป 1.
ผู้ใช้ให้รายการฉันการจัดอันดับที่ 1 ในขณะที่ผู้ใช้ B ให้มัน
คะแนน 2 ในขณะที่ผู้ใช้ให้คะแนนรายการ J 1.5 เราสังเกต
รายการที่จัดอยู่ในอันดับ J มากกว่ารายการที่ผมลง 1.5 -1 = 0.5
จุดที่ทำให้เราสามารถคาดการณ์ว่าผู้ใช้ B จะให้รายการ J a
คะแนนของ 2 + 0.5 = 2.5 เราเรียกผู้ใช้ B ผู้ใช้ predictee และ
รายการ J รายการ predictee ความแตกต่างดังกล่าวจำนวนมากอยู่ใน
การฝึกอบรมกำหนดไว้สำหรับแต่ละคะแนนที่ไม่รู้จักและเราใช้ค่าเฉลี่ย
ของความแตกต่างเหล่านี้ ครอบครัวของลาดหนึ่งรูปแบบที่นำเสนอ
ที่นี่เกิดขึ้นจากสามวิธีที่เราเลือกที่เกี่ยวข้อง
แตกต่างที่จะมาถึงการทำนายที่เดียว

ผลลัพธ์ (ไทย) 3:

ลาดของเราหนึ่งขั้นตอนวิธีทำงานบนหลักการง่ายของ " ความนิยมความแตกต่าง " ระหว่างรายการสำหรับผู้ใช้ในแฟชั่นคู่ เราหาวิธีที่ดีมากหนึ่งรายการที่ชอบกว่าอีก วิธีหนึ่งที่จะวัดความแตกต่างนี้ก็คือการ ลบคะแนนเฉลี่ยของทั้งสองรายการในทางกลับกัน ความแตกต่างนี้สามารถใช้ทำนายของผู้ใช้อื่นอันดับหนึ่งของรายการเหล่านั้น ให้คะแนนของพวกเขาอื่น ๆพิจารณาสองผู้ใช้ A และ B สองรายการ I และ J และรูปที่ 1ผู้ใช้ให้คะแนนสินค้าชั้น 1 ส่วนผู้ใช้ B ให้มันโรงแรม 2 , ในขณะที่ผู้ใช้ให้คะแนนของรายการ J 1.5 เราสังเกตรายการที่ J อยู่มากกว่ารายการที่ฉันได้ 1.5 − 1 = 0.5จุด เราจึงสามารถทำนายได้ว่าผู้ใช้ B จะให้รายการ .การจัดอันดับ 2 + 0.5 = 2.5 เราเรียกผู้ใช้ B predictee ผู้ใช้และรายการ J predictee รายการ ความแตกต่างดังกล่าวมีอยู่หลายในชุดฝึกอบรมสำหรับแต่ละระดับที่ไม่รู้จักและเราใช้เวลาเฉลี่ยของความแตกต่างเหล่านี้ ครอบครัวหนึ่งที่ลาดเอียงรูปแบบนำเสนอที่นี่เกิดขึ้นจากสามวิธีที่เราเลือกความแตกต่างที่จะมาถึงพยากรณ์เดี่ยว