The basic structure for offline eva

The basic structure for offline evaluation is based on the setup common in machine learning. It starts with a data set, typically consisting of a collection of user ratings or histories and possibly containing
additional information about users and/or items. The users in this data set are then split into two groups: the training set and the test set. A recommender model is built against the training set. The
users in the test set are then considered in turn, and have their ratings or purchases split into two parts, the query set and the target set. The recommender is given the query set as a user history and asked to recommend items or to predict ratings for the items in the target set; it is then evaluated on how well its recommendations or predictions
match with those held out in the query. This whole process is frequently
repeated as in k-fold cross-validation by splitting the users into k equal
sets and using each set in turn as the test set with the union of all other
sets as the training set. The results from each run can then be aggregated
to assess the recommender’s overall performance, mitigating the
effects of test set variation [53].

ผลลัพธ์ (ไทย) 1:

โครงสร้างพื้นฐานสำหรับการประเมินผลแบบออฟไลน์เป็นไปตามการตั้งค่าทั่วไปในการเรียนรู้ของเครื่อง มันเริ่มต้น ด้วยชุดข้อมูล โดยทั่วไปประกอบด้วยคอลเลกชันของการจัดอันดับผู้ใช้หรือประวัติศาสตร์ และอาจจะประกอบด้วยข้อมูลเพิ่มเติมเกี่ยวกับผู้ใช้และ/หรือสินค้า ผู้ใช้ในชุดข้อมูลนี้ถูกแล้วแบ่งเป็น 2 กลุ่ม: ชุดฝึกและชุดทดสอบ ผู้แนะนำแบบตั้งอยู่กับชุดการฝึกอบรม การผู้ใช้ในชุดทดสอบแล้วถือว่าในการเปิด และมีการจัดอันดับหรือซื้อแยกเป็นสองส่วน ชุดแบบสอบถาม และการตั้งเป้าหมาย ผู้แนะนำที่ได้รับแบบสอบถามที่ตั้งค่าเป็นประวัติผู้ใช้ และคำถาม จะแนะนำสินค้า หรือ การคาดการณ์สำหรับสินค้าในชุดเป้าหมาย มันจะถูกประเมินแล้ววิธีดีคำแนะนำหรือการคาดการณ์ตรงกับผู้ถือในการสอบถาม กระบวนการทั้งหมดนี้เป็นบ่อยใน k-พับข้ามตรวจสอบซ้ำ โดยการแบ่งผู้ใช้ออกเป็น k เท่าชุดและใช้แต่ละชุดจะเป็นการทดสอบที่ตั้งสหภาพอื่น ๆ ทั้งหมดชุดเป็นชุดการฝึกอบรม จากนั้นสามารถถูกรวมผลลัพธ์จากการรันแต่ละการประเมินประสิทธิภาพโดยรวมของผู้แนะนำ บรรเทาการผลของการทดสอบตั้งค่ารูปแบบ [53]

ผลลัพธ์ (ไทย) 2:

โครงสร้างพื้นฐานสำหรับการประเมินผลแบบออฟไลน์จะขึ้นอยู่กับการตั้งค่าที่พบบ่อยในการเรียนรู้เครื่อง มันเริ่มต้นด้วยชุดข้อมูลโดยทั่วไปประกอบด้วยคอลเลกชันของการจัดอันดับของผู้ใช้หรือประวัติศาสตร์และอาจจะมี
ข้อมูลเพิ่มเติมเกี่ยวกับผู้ใช้และ / หรือรายการ ผู้ใช้ในชุดข้อมูลนี้จะแล้วแยกออกเป็นสองกลุ่มคือชุดการฝึกอบรมและการทดสอบชุด รูปแบบ recommender ถูกสร้างขึ้นกับชุดการฝึกอบรม
ผู้ใช้ในการทดสอบชุดได้รับการพิจารณาแล้วในการเปิดและมีการจัดอันดับของพวกเขาหรือการซื้อแยกออกเป็นสองส่วนแบบสอบถามการตั้งค่าและเป้าหมายที่กำหนดไว้ recommender จะได้รับแบบสอบถามตั้งเป็นประวัติผู้ใช้และถามว่าจะแนะนำรายการหรือการที่จะคาดการณ์การให้คะแนนสำหรับรายการในเป้าหมายที่ตั้งไว้นั้น มันได้รับการประเมินแล้วกับวิธีที่ดีคำแนะนำหรือการคาดการณ์ของมัน
ตรงกับยื่นออกมาในแบบสอบถาม กระบวนการทั้งหมดนี้จะบ่อย
ซ้ำแล้วซ้ำอีกในขณะที่ K-พับการตรวจสอบข้ามโดยการแยกผู้ใช้เข้าสู่ k เท่ากับ
ชุดและแต่ละชุดใช้ในการเปิดการทดสอบที่กำหนดไว้กับสหภาพอื่น ๆ ทุก
ชุดเป็นชุดการฝึกอบรม ผลที่ได้จากการทำงานในแต่ละจากนั้นจะสามารถรวม
ในการประเมินผลการปฏิบัติงานโดยรวม recommender ของบรรเทา
ผลกระทบของรูปแบบการทดสอบชุด [53]

ผลลัพธ์ (ไทย) 3:

โครงสร้างพื้นฐานสำหรับการประเมินครับ ขึ้นอยู่กับการติดตั้งทั่วไปในการเรียนรู้เครื่อง มันเริ่มต้นด้วยชุดของข้อมูล โดยทั่วไปจะประกอบด้วยคอลเลกชันของคะแนนผู้ใช้ หรือประวัติศาสตร์ และอาจจะประกอบด้วยข้อมูลเพิ่มเติมเกี่ยวกับผู้ใช้และ / หรือรายการ ผู้ใช้ในข้อมูลชุดนี้จะแบ่งออกเป็นสองกลุ่ม : ชุดฝึกอบรมและทดสอบการตั้งค่า มีแนะนำรุ่นที่ถูกสร้างขึ้นจากการตั้งค่า ที่ผู้ใช้ในชุดทดสอบจะพิจารณาในการเปิดและมีการจัดอันดับ หรือซื้อแยกเป็นสองส่วน การตั้งค่า และเป้าหมายที่ตั้งไว้ ผู้ได้รับการตั้งเป็นผู้ใช้ประวัติและขอแนะนำสินค้า หรือทำนายคะแนนสำหรับรายการในการตั้งค่าเป้าหมาย จากนั้นประเมินว่าดี แนะนำ หรือคาดคะเนเหมาะกับผู้ที่ถือออกในการ กระบวนการทั้งหมดนี้เป็นบ่อยซ้ำใน k-fold ข้ามการตรวจสอบโดยการแยกผู้ใช้ออกเป็น k เท่ากันชุด และใช้แต่ละชุดจะเป็นชุดทดสอบกับสหภาพทั้งหมดอื่น ๆชุดฝึกชุด ผลลัพธ์จากการเรียกใช้แต่ละสามารถรวมการประเมินผลการปฏิบัติงานโดยรวมของฝ่ายบรรเทา ,ผลของการทดสอบชุดรูปแบบ [ 53 ]