Using data from Yahoo! Movies, Saho

Using data from Yahoo! Movies, Sahoo et al. [79] show that multi-criteria rating information is advantageous over a single rating when very little training data
is available (i.e., less than 15% of the whole data is used for training). On the other
hand, when large training data is available, additional rating information does not
seem to add much value. In this analysis, they measure the recommendation accuracy using the MAE metric. However, when they validate this probabilistic modeling approach using precision and recall metrics in retrieving top N items, their
model performs better in all cases (i.e., both with small and large datasets) with
a maximum of 10% increase. With more training data, the difference between the
model with multi-criteria ratings and the traditional single-rating model diminishes
in terms of precision and recall metrics.
Multilinear singular value decomposition (MSVD) approach. Li et al. [46] propose a novel approach to improve a traditional collaborative filtering algorithm by
utilizing the MSVD technique. Singular value decomposition (SVD) techniques
have been extensively studied in numerical linear algebra and have recently gained
popularity in recommender systems applications because of their effectiveness in
improving recommendation accuracy [26, 41, 81]. In single-rating recommender
systems, these techniques identify latent features of items including well-defined
item dimensions and uninterpretable dimensions. In particular, using K latent features (i.e., rank-K SVD), user u is associated with a user-factors vector pu (the user’s
preferences on K features), and item i is associated with an item-factors vector qi
(the item’s importance weights on K features). After all the values in user- and
item-factors vectors are estimated, the preference of how much user u likes item i,
denoted by R∗(u, i), is predicted by taking an inner product of the two vectors, i.e.,

ผลลัพธ์ (ไทย) 1:

ใช้ข้อมูลจาก yahoo!ภาพยนตร์ Sahoo et al. [79] แสดงที่หลายเกณฑ์ประเมินข้อมูลเป็นประโยชน์เดียวจัดอันดับเมื่อข้อมูลการฝึกอบรมน้อยมากมี (เช่น ต่ำกว่า 15% ของข้อมูลทั้งหมดใช้สำหรับการฝึกอบรม) อื่น ๆมือ เมื่อข้อมูลการฝึกอบรมขนาดใหญ่พร้อมใช้งาน ข้อมูลการจัดอันดับเพิ่มเติมไม่ได้ดูเหมือนจะ เพิ่มค่ามาก ในการวิเคราะห์นี้ พวกเขาวัดความถูกต้องของคำแนะนำที่ใช้วัดแม่ อย่างไรก็ตาม เมื่อพวกเขาตรวจสอบวิธีการสร้างโมเดล probabilistic นี้ใช้วัดความแม่นยำและการเรียกคืนสินค้าบน N เรียกของพวกเขารุ่นทำดีในทุกกรณี (เช่น ทั้ง มี datasets ขนาดเล็ก และใหญ่) ด้วยสูงสุดเพิ่มขึ้น 10% กับข้อมูลการฝึกอบรม ความแตกต่างระหว่างการรูป ด้วยเงื่อนไขหลายอันดับและรูปแบบการจัดอันดับเดียวดั้งเดิมค่อย ๆ หายไปในการวัดความแม่นยำและการเรียกคืนวิธีการแยกส่วนประกอบ (MSVD) มูลค่า multilinear เอกพจน์ วิธีนวนิยายเพื่อปรับปรุงขั้นตอนวิธี filtering แบบร่วมมือโดยเสนอ Li et al. [46]ใช้เทคนิค MSVD เทคนิคการแยกส่วนประกอบ (SVD) ค่าเอกพจน์ได้รับการศึกษาอย่างกว้างขวางในพีชคณิตเชิงเส้นเป็นตัวเลข และเพิ่งได้รับความนิยมในการใช้งานระบบผู้แนะนำเนื่องจากประสิทธิภาพในปรับปรุงความถูกต้องของคำแนะนำ [26, 41, 81] ในผู้แนะนำการจัดอันดับเดียวระบบ เทคนิคเหล่านี้ระบุคุณลักษณะที่แฝงอยู่ของสินค้ารวมทั้ง-definedมิติสินค้าและมิติ uninterpretable โดยเฉพาะ ใช้ K คุณลักษณะแฝงอยู่ (เช่น SVD อันดับ K), ผู้ใช้เป็นเกี่ยวข้องกับผู้ใช้ปัจจัยเวกเตอร์ pu (ของผู้ใช้ค่าในคุณสมบัติ K), และสินค้าผมจะเชื่อมโยงกับชี่เวกเตอร์เป็นสินค้าปัจจัย(สินค้าสำคัญน้ำหนักบนคุณลักษณะ K) หลังจากค่าทั้งหมดในผู้ใช้ และมีประเมินสินค้าปัจจัยเวกเตอร์ การกำหนดลักษณะของจำนวนผู้ใช้ยูชอบสินค้าสามารถบุโดย R∗(u, i) ทำนาย โดยใช้ตัวคูณภายในของสองเวกเตอร์ เช่น

ผลลัพธ์ (ไทย) 2:

โดยใช้ข้อมูลจากภาพยนตร์, Yahoo! Sahoo et al, [79] แสดงให้เห็นว่าหลายเกณฑ์คะแนนคือข้อมูลที่ได้เปรียบกว่าคะแนนเดียวเมื่อข้อมูลการฝึกอบรมน้อยมาก
สามารถใช้ได้ (เช่นน้อยกว่า 15% ของข้อมูลทั้งหมดจะถูกนำมาใช้สำหรับการฝึกอบรม) ที่อื่น ๆ
มือเมื่อข้อมูลการฝึกอบรมที่มีขนาดใหญ่สามารถใช้ได้ข้อมูลเพิ่มเติมให้คะแนนไม่ได้
ดูเหมือนจะเพิ่มมูลค่ามาก ในการวิเคราะห์นี้พวกเขาวัดความถูกต้องของคำแนะนำโดยใช้ตัวชี้วัดแม่ แต่เมื่อพวกเขาตรวจสอบวิธีการสร้างแบบจำลองนี้น่าจะเป็นตัวชี้วัดที่ใช้ความแม่นยำและการเรียกคืนในการเรียกรายการไม่มีข้อความด้านบนของพวกเขา
รูปแบบการดำเนินการที่ดีขึ้นในทุกกรณี (เช่นทั้งที่มีชุดข้อมูลขนาดเล็กและขนาดใหญ่) ที่มี
การเพิ่มขึ้นสูงสุด 10% ที่มีข้อมูลการฝึกอบรมเพิ่มเติมความแตกต่างระหว่าง
รุ่นที่มีการจัดอันดับหลายเกณฑ์และรูปแบบการให้คะแนนเดียวแบบดั้งเดิมลดลง
ในแง่ของความแม่นยำและการเรียกคืนตัวชี้วัด.
multilinear สลายตัวมูลค่าเอกพจน์ (MSVD) วิธีการ Li et al, [46] เสนอแนวทางใหม่ในการปรับปรุงขั้นตอนวิธีการทำงานร่วมกัน ltering ไฟแบบดั้งเดิมโดยการ
ใช้เทคนิค MSVD การย่อยสลายมูลค่าเอกพจน์ (SVD) เทคนิคการ
ได้รับการศึกษาอย่างกว้างขวางในพีชคณิตเชิงเส้นตัวเลขและเมื่อเร็ว ๆ นี้ได้รับ
ความนิยมในการใช้งานระบบ recommender เพราะประสิทธิภาพของพวกเขาในการ
ปรับปรุงความถูกต้องคำแนะนำ [26, 41, 81] ในการจัดอันดับเดียว recommender
ระบบเทคนิคเหล่านี้ระบุคุณสมบัติแฝงของรายการรวมทั้งสายดีเดอเน็ด
ขนาดรายการและขนาด uninterpretable โดยเฉพาะอย่างยิ่งการใช้ K คุณสมบัติแฝง (เช่นตำแหน่ง-K SVD) ผู้ใช้ยูมีความเกี่ยวข้องกับผู้ใช้ปัจจัยเวกเตอร์ปู (ผู้ใช้
ตั้งค่าเกี่ยวกับคุณสมบัติ K) และรายการที่ฉันมีความสัมพันธ์กับปัจจัยรายการฉีเวกเตอร์
( รายการน้ำหนักความสำคัญกับคุณสมบัติ K) หลังจากที่ค่าทั้งหมดที่อยู่ในที่ผู้ใช้และ
เวกเตอร์รายการปัจจัยอยู่ที่ประมาณการตั้งค่าของผู้ใช้เท่าไหร่นะผมชอบรายการที่
แสดงโดย R * (มึงฉัน) เป็นที่คาดการณ์โดยการใช้ผลิตภัณฑ์ภายในของสองเวกเตอร์คือ

ผลลัพธ์ (ไทย) 3:

โดยใช้ข้อมูลจาก Yahoo ! ภาพยนตร์ , sahoo et al . [ 79 ] แสดงให้เห็นว่าหลายเกณฑ์การประเมินข้อมูลที่เป็นประโยชน์ไปคะแนนเดียวเมื่อ
ข้อมูลการฝึกอบรมน้อยมากสามารถใช้ได้ ( เช่น น้อยกว่า 15% ของข้อมูลทั้งหมดที่ใช้ในการฝึกอบรม ) บนมืออื่น ๆ
เมื่อข้อมูลการฝึกอบรมขนาดใหญ่ พร้อมข้อมูลโรงแรมเพิ่มเติมไม่ได้
ดูเหมือนจะเพิ่มมูลค่ามากขึ้น ในการวิเคราะห์เขาวัดแนะนำความถูกต้องโดยใช้เมตริก เม อย่างไรก็ตาม เมื่อพวกเขาตรวจสอบนี้ความน่าจะเป็นแบบจำลองโดยใช้ความแม่นยําและตัวชี้วัดในการเรียกคืนด้านบน n รายการนางแบบ
มีประสิทธิภาพดีกว่าในทุกกรณี ( เช่น มีข้อมูลทั้งเล็กและใหญ่ ) กับ
สูงสุด 10% เพิ่ม กับข้อมูลการฝึกอบรมเพิ่มเติม ความแตกต่างระหว่าง
แบบหลายเกณฑ์การให้คะแนนและรูปแบบดั้งเดิมอันดับเดียวจีบ
ในแง่ของความแม่นยําและเรียกคืนเมตริก .
multilinear เอกพจน์ค่าการสลายตัว ( msvd ) วิธีการ Li et al . [ 46 ] นำเสนอแนวคิดใหม่ในการปรับปรุงแบบดั้งเดิมร่วมกันจึง ltering ขั้นตอนวิธีโดย
ใช้เทคนิค msvd . การย่อยสลายมูลค่าเอกพจน์ ( SVD ) เทคนิค
ได้รับอย่างกว้างขวางใช้ในพีชคณิตเชิงเส้นเชิงตัวเลขและเพิ่งได้รับความนิยมในการใช้งานระบบแนะนำ

เพราะประสิทธิภาพของพวกเขาในการปรับปรุงข้อเสนอแนะความถูกต้อง [ 26 , 41 , 81 ) ในระบบแนะนำ
อันดับเดียว เทคนิคเหล่านี้ระบุคุณสมบัติแฝงของรายการรวมทั้งดีเดอจึงเน็ด
รายการขนาดและมิติ uninterpretable . โดยเฉพาะอย่างยิ่งใช้ K คุณลักษณะแฝง ( เช่น rank-k SVD ) ผู้ใช้ u มีความเกี่ยวข้องกับผู้ใช้ปัจจัยปูเวกเตอร์ ( ของ
ผู้ใช้การตั้งค่าบน K คุณสมบัติ ) และรายการที่ผมเกี่ยวข้องกับรายการองค์ประกอบเวกเตอร์ฉี
( ของน้ำหนักบนความ K คุณสมบัติ ) หลังจากค่าทั้งหมดในผู้ใช้ -
เวกเตอร์ปัจจัยสินค้าประมาณ ความชอบของผู้ใช้เท่าใดคุณชอบรายการ I ,
แทน โดย∗ R ( U , I ) ,ได้โดยการใช้ผลิตภัณฑ์ภายในของเวกเตอร์ทั้งสอง คือ