the description of items. We consid

the description of items. We consider their use in item score computation, similarity
computation and the construction of profiles.
Demographic filtering techniques assign each user to a demographic class based
on their user profiles. Each demographic class has an associated user archetype or
user stereotype that is then used to form justifications for recommendation. Rather
than item history, user similarity here is more likely to be calculated from personal
information and hence may be of lower dimension than most collaborative techniques. This makes nearest-neighbor or other classification and clustering tools particularly useful.
Rather than build long-term models, utility-based recommenders match items to
the current needs of the users, taking into account their general tendencies and preferences. For instance, a user may be looking for a particular book, and it is known
from past behavior that old hardback editions are preferred even if it takes longer
to ship them. As is the case with content-based filtering, items can be described in
the system by their features and, more specifically, the utility associated with each
of those features. Aggregation can then be performed as it is with content-based
filtering, although the user profiles and system information may differ.
Knowledge-based recommenders use background knowledge about associated
and similar items to infer the needs of the user and how they can best be met.
Knowledge-based methods will then draw not only on typical measures of similarity like correlation, but also on feature similarities that will interest the user. For
instance, when a user indicates that he liked A Good Year, a KB recommender system might know that this film could be associated with either A Beautiful Mind
(which also stars Russell Crowe) or Jeux d’Enfants (which also stars Marion Cotillard). Since the user has shown a preference for French films in the past, the system
will assume that the user liked A Good Year because it featured Marion Cotillard,
and recommend accordingly. It is pointed out in [16] that KB recommenders often
draw on case-based reasoning approaches.
Hybrid recommender systems are employed to overcome the inherent drawbacks
of each recommendation method. Burke [16] distinguishes weighted, mixed, switching, feature combination, cascade, feature augmentation and meta-level HS. Aggregation functions may be involved in the hybridization process - e.g. to combine
different recommender scores in weighted HS or the features in feature combination HS. On the other hand, some of these hybrid methods are particularly useful in improving the performance of aggregation functions used at different stages.
For instance, cascade methods use one filtering technique to reduce the size of the
dataset, while feature augmentation HS might use one method to reduce its dimension. Similarity measures used for CF could be based on the similarity between
user-specific aggregation functions (e.g. the similarity between weights and parameters) constructed in UB and CB frameworks. Similar meta-level HS are described
in [16]. The switching criteria in switching HS could be based to some degree on
aggregation functions, however here, as with mixed HS, their use is less likely.
Aggregation functions take multiple inputs and merge them into a single representative output. Simple examples of aggregation functions include the arithmetic
mean, median, maximum and minimum. The use of more complicated and expressive functions

ผลลัพธ์ (ไทย) 1:

คำอธิบายของสินค้า เราพิจารณาใช้ในการคำนวณคะแนนสินค้า ความคล้ายคลึงกันคำนวณและก่อสร้างของ profilesfiltering ประชากรเทคนิคกำหนดผู้ใช้แต่ละคลาประชากรตามใน profiles ของผู้ใช้ คลาสแต่ละประชากรมี archetype เป็นผู้เกี่ยวข้อง หรือเหมารวมผู้ที่เป็นแล้วใช้แบบฟอร์ม justifications สำหรับคำแนะนำ ค่อนข้างกว่าสินค้าประวัติ คล้ายผู้ใช้ที่นี่เป็นแนวโน้มที่จะถูกคำนวณจากส่วนบุคคลข้อมูล และดังนั้น อาจมีขนาดต่ำกว่าเทคนิคร่วมกันมากที่สุด นี้ทำให้เพื่อน บ้านที่ใกล้ที่สุด หรือ classification และเครื่องมือระบบคลัสเตอร์อื่น ๆ ประโยชน์แทนที่สร้างรูปแบบระยะยาว โดยใช้โปรแกรมอรรถประโยชน์ recommenders ตรงกับสินค้าความต้องการปัจจุบันของผู้ใช้ การพิจารณาแนวโน้มทั่วไปและกำหนดลักษณะของพวกเขา ตัวอย่าง ผู้ใช้อาจจะมองหาหนังสือเฉพาะ และเป็นที่รู้จักกันจากพฤติกรรมที่ผ่านมาปกแข็งรุ่นเก่าที่ต้องการแม้ว่าจะใช้เวลานานการจัดส่งเหล่านั้น เป็นในกรณีของเนื้อหาตาม filtering สามารถอธิบายสินค้าในโดยคุณลักษณะของพวกเขาและ เพิ่มเติม specifically ยูทิลิตี้ที่เกี่ยวข้องกับแต่ละระบบของคุณสมบัติเหล่านั้น รวมสามารถแล้วดำเนินการเหมือนกับใช้เนื้อหาfiltering ถึงแม้ว่าผู้ใช้ profiles และระบบข้อมูลอาจแตกต่างกันเชื่อมโยงความรู้ recommenders ใช้พื้นความรู้เกี่ยวกับและเป็นไปตามรายการที่เหมือนจะเข้าใจความต้องการของผู้ใช้และวิธีการที่พวกเขาสามารถสุดความรู้วิธีแล้วจะวาดไม่เพียง ในมาตรการทั่วไปของความคล้ายคลึงกันเช่นความสัมพันธ์ แต่ ในความคล้ายคลึงของลักษณะพิเศษที่จะสนใจผู้ สำหรับอินสแตนซ์ เมื่อผู้ใช้บ่งชี้ว่า เขาชอบ A ดีปี ระบบผู้แนะนำ KB อาจทราบว่า film นี้อาจเกี่ยวข้องกับจิตใจสวยงามแบบ A(ที่ยังระดับดาวรัสเซลโครว์) หรือ jeux ที่เป็น d'Enfants (ซึ่งยัง ระดับดาวมารียง) เนื่องจากผู้ใช้ได้แสดงความสนใจในภาษาฝรั่งเศส films ในอดีต ระบบจะสมมติว่า ผู้ใช้ชอบ A ปีดีเนื่องจากมันห้องมารียงและขอแนะนำตาม มันจะชี้ออกใน [16] recommenders KB ที่มักวาดบนแนวทางกรณีตามเหตุผลพนักงานวางระบบผู้แนะนำจะเอาชนะข้อเสียโดยธรรมชาติของแต่ละวิธีการคำแนะนำ ลิตี้เบอร์ก [16] แตกต่างน้ำหนัก ผสม สลับ ชุดคุณลักษณะ ซ้อน คุณลักษณะเพิ่มเติม และ HS meta-ระดับ รวมฟังก์ชันอาจจะเกี่ยวข้องในกระบวนการ hybridization - เช่นการรวมผู้แนะนำต่างคะแนนถ่วงน้ำหนัก HS หรือคุณลักษณะคุณลักษณะร่วม HS บนมืออื่น ๆ วิธีไฮบริดได้รับประโยชน์ในการปรับปรุงประสิทธิภาพการทำงานของฟังก์ชันการรวมที่ใช้ในขั้นตอนต่าง ๆตัวอย่าง วิธีการทั้งหมดใช้เทคนิค filtering หนึ่งเพื่อลดขนาดของการชุดข้อมูล ในขณะที่คุณลักษณะเพิ่มเติม HS อาจใช้วิธีหนึ่งในการลดขนาดของ วัดความคล้ายคลึงกันที่ใช้สำหรับ CF สามารถยึดตามความคล้ายคลึงกันระหว่างสร้างฟังก์ชันรวมผู้ใช้ specific (เช่นความคล้ายกันระหว่างน้ำหนักและพารามิเตอร์) ยูบีและ CB กรอบ HS meta-ระดับที่คล้ายคลึงกันไว้ใน [16] สามารถตามเกณฑ์สลับใน HS สลับกับบนรวมฟังก์ชัน อย่างไรก็ตามนี่ กับ HS ผสม การใช้มีแนวโน้มน้อยรวมฟังก์ชันใช้หลายอินพุต และมาออกตัวแทนเดียว คณิตศาสตร์รวมรวมฟังก์ชันอย่างง่ายหมายถึง มัธยฐาน สูงสุด และต่ำสุด การใช้งานที่ซับซ้อนมากขึ้น และแสดงออก

ผลลัพธ์ (ไทย) 2:

คำอธิบายของรายการ เราพิจารณาการใช้ของพวกเขาในการคำนวณคะแนนรายการที่คล้ายคลึงกัน
ในการคำนวณและการก่อสร้างของโปรไฟ les.
เทคนิค ltering Fi ประชากรกำหนดผู้ใช้แต่ละชั้นตามกลุ่มผู้เข้าชม
ของผู้ใช้ของพวกเขาโปรไฟ les แต่ละชั้นมีกลุ่มผู้เข้าชมแม่ผู้ที่เกี่ยวข้องหรือ
ทัศนคติของผู้ใช้ที่ใช้แล้วในรูปแบบไพเพ Fi Justi สำหรับคำแนะนำ แต่
กว่าประวัติศาสตร์รายการที่คล้ายคลึงกันของผู้ใช้ที่นี่เป็นแนวโน้มที่จะถูกคำนวณจากส่วนบุคคล
ข้อมูลและด้วยเหตุนี้อาจจะมีขนาดต่ำกว่าเทคนิคการทำงานร่วมกันมากที่สุด นี้จะทำให้เพื่อนบ้านใกล้ที่สุดหรืออื่น ๆ ไอออนบวกจัดประเภทและเครื่องมือการจัดกลุ่มที่มีประโยชน์โดยเฉพาะอย่างยิ่ง.
แทนที่จะสร้างแบบจำลองในระยะยาว Recommenders ยูทิลิตี้ที่ใช้ตรงกับรายการที่จะ
ตอบสนองความต้องการของผู้ใช้ในปัจจุบันโดยคำนึงถึงแนวโน้มทั่วไปของพวกเขาและการตั้งค่า ยกตัวอย่างเช่นผู้ใช้อาจจะมองหาหนังสือโดยเฉพาะอย่างยิ่งและเป็นที่รู้จัก
จากพฤติกรรมที่ผ่านมาว่าฉบับปกแข็งเก่าเป็นที่ต้องการแม้ว่าจะใช้เวลานาน
ที่จะส่งพวกเขา เป็นกรณีที่มี ltering Fi เนื้อหาตามรายการที่สามารถอธิบายใน
ระบบโดยคุณสมบัติของพวกเขาและถอนรากถอนโคน Fi อื่น ๆ speci ยูทิลิตี้ที่เกี่ยวข้องกับแต่ละ
ของคุณสมบัติเหล่านั้น รวมนั้นจะสามารถดำเนินการตามที่มีเนื้อหาตาม
ltering fi, แม้ว่าผู้ใช้โปรไฟ les และข้อมูลระบบอาจแตกต่างกัน.
Recommenders ความรู้พื้นฐานการใช้ความรู้พื้นฐานเกี่ยวกับการที่เกี่ยวข้อง
รายการและที่คล้ายกันเพื่อสรุปความต้องการของผู้ใช้และวิธีที่พวกเขาได้ดีที่สุดจะได้พบกับ .
วิธีการความรู้ที่ใช้แล้วจะวาดไม่เพียง แต่เกี่ยวกับมาตรการที่เป็นแบบฉบับของความคล้ายคลึงกันเช่นความสัมพันธ์ แต่ยังอยู่ในความคล้ายคลึงกันคุณลักษณะที่จะสนใจของผู้ใช้ สำหรับ
ตัวอย่างเช่นเมื่อผู้ใช้แสดงให้เห็นว่าเขาชอบเป็นปีที่ดี KB ระบบ recommender จะได้รู้ว่า LM สายนี้อาจจะเกี่ยวข้องกับทั้งจิตใจงดงาม
(ซึ่งยังดาวรัสเซลโครว์) หรือเกมส์ d'เตาะแตะ (ซึ่งยังดาว Marion Cotillard) . ตั้งแต่ผู้ใช้ที่ได้แสดงให้เห็นว่าการตั้งค่าสำหรับ LMS Fi ฝรั่งเศสในอดีตที่ผ่านมาระบบ
จะสมมติว่าผู้ใช้ชอบปีที่ดีเพราะมันเป็นจุดเด่น Marion Cotillard,
และให้คำแนะนำตาม มันเป็นเรื่องที่ชี้ให้เห็นใน [16] ว่า KB Recommenders มักจะ
วาดในกรณีที่ใช้วิธีการให้เหตุผล.
ระบบ recommender ไฮบริดที่ใช้ในการเอาชนะข้อบกพร่องโดยธรรมชาติ
ของวิธีการคำแนะนำของแต่ละ เบิร์ค [16] แตกต่างถ่วงน้ำหนักผสมสลับรวมคุณลักษณะน้ำตก, เสริมคุณลักษณะและเมตา HS ระดับ ฟังก์ชั่นการรวมอาจจะมีส่วนร่วมในขั้นตอนการผสมข้ามพันธุ์ - เช่นจะรวม
คะแนน recommender แตกต่างกันใน HS ถ่วงน้ำหนักหรือคุณลักษณะในลักษณะการรวมกัน HS ในทางกลับกันบางส่วนของวิธีการไฮบริดเหล่านี้เป็นประโยชน์อย่างยิ่งในการปรับปรุงประสิทธิภาพการทำงานของฟังก์ชั่นการรวมตัวที่ใช้ในขั้นตอนที่แตกต่างกัน.
ยกตัวอย่างเช่นวิธีการน้ำตกใช้เทคนิค ltering สายหนึ่งที่จะลดขนาดของ
ชุดข้อมูลในขณะที่ HS เสริมคุณลักษณะอาจจะใช้วิธีการหนึ่ง เพื่อลดขนาดของมัน มาตรการที่คล้ายคลึงกันใช้สำหรับ CF อาจจะขึ้นอยู่กับความคล้ายคลึงกันระหว่าง
สายที่ใช้งานฟังก์ชั่นการรวม speci ค (เช่นความคล้ายคลึงกันระหว่างน้ำหนักและพารามิเตอร์) สร้างขึ้นใน UB และกรอบ CB ที่คล้ายกัน HS เมตาระดับที่อธิบายไว้
ใน [16] เกณฑ์ในการสลับเปลี่ยน HS อาจจะขึ้นอยู่ในระดับหนึ่งใน
ฟังก์ชั่นการรวม แต่ที่นี่เช่นเดียวกับ HS ผสมการใช้งานของพวกเขามีโอกาสน้อย.
ฟังก์ชั่นการรวมใช้ปัจจัยการผลิตที่หลากหลายและผสานให้เป็นตัวแทนการส่งออกเพียงครั้งเดียว ตัวอย่างง่ายๆของการรวมฟังก์ชั่นรวมถึงการคำนวณ
ค่าเฉลี่ยค่ามัธยฐานสูงสุดและต่ำสุด การใช้ฟังก์ชั่นที่มีความซับซ้อนมากขึ้นและการแสดงออก

ผลลัพธ์ (ไทย) 3:

รายละเอียดของรายการ เราพิจารณาใช้ในการคำนวณคะแนนสินค้า การคำนวณความคล้าย
และการก่อสร้างของ Pro จึงเลส
ประชากรจึง ltering เทคนิคการมอบหมายงานแต่ละผู้ใช้เป็นประชากรชั้นตาม
ของผู้ใช้จึงเลส แต่ละชั้นมีประชากรที่เกี่ยวข้องผู้ใช้ต้นแบบหรือ
ผู้ใช้ใช้แล้วรูปแบบตายตัวที่เชียงรายจึงทำให้สำหรับการแนะนำ ค่อนข้าง
กว่าประวัติศาสตร์รายการความเหมือนนี้เป็นผู้ใช้มีแนวโน้มที่จะถูกคำนวณจากข้อมูลส่วนบุคคล
และด้วยเหตุนี้อาจมิติกว่าเทคนิคร่วมกันมากที่สุด ทำให้เพื่อนบ้านที่ใกล้ที่สุด หรือการถ่ายทอด classi อื่นและการจัดกลุ่มเครื่องมือที่มีประโยชน์โดยเฉพาะอย่างยิ่ง
แทนที่จะสร้างแบบระยะยาว สาธารณูปโภคพื้นฐาน recommenders ตรงกับรายการ

ปัจจุบันความต้องการของผู้ใช้คำนึงถึงแนวโน้มทั่วไปของพวกเขาและการตั้งค่า ตัวอย่างเช่นผู้ใช้อาจจะมองหาหนังสือที่เฉพาะเจาะจงและเป็นที่รู้จักจากพฤติกรรมที่ผ่านมา
รุ่นที่ปกเก่าที่ต้องการ แม้ว่ามันจะใช้เวลานาน
เพื่อส่ง เป็นกรณีกับเนื้อหาจึง ltering รายการที่สามารถอธิบายไว้ในระบบ โดยคุณสมบัติของพวกเขา
และเพิ่มเติมประเภทจึงคอลลี่ , สาธารณูปโภคที่เกี่ยวข้องกับแต่ละ
คุณสมบัติเหล่านั้น รวมแล้วสามารถดำเนินการตามที่มีเนื้อหา
จึง ltering แม้ว่าผู้ใช้ Pro จึงเล และระบบข้อมูลที่อาจแตกต่างกันตามความรู้ ใช้ความรู้พื้นฐาน recommenders

และรายการที่คล้ายกันที่เกี่ยวข้องเกี่ยวกับการอนุมานความต้องการของผู้ใช้และวิธีการที่พวกเขาสามารถพบ
ความรู้ตามวิธีแล้วจะวาดไม่เพียง แต่ในความเหมือน เหมือนวัดทั่วไปของความสัมพันธ์ แต่ยังเกี่ยวกับคุณลักษณะที่คล้ายคลึงกันนั้นจะสนใจผู้ใช้ สำหรับ
อินสแตนซ์ เมื่อผู้ใช้พบว่าเขาชอบเป็นปีดีๆ แนะนำระบบบางครั้งอาจจะทราบว่า นี้จึงเป็นอิมอาจจะเกี่ยวข้องกับทั้งจิตใจที่งดงาม
( ซึ่งยังดาวรัสเซล โครว์ ) หรือ jeux d'enfants ( ซึ่งยังดาวรางวัลออสการ์ ) เนื่องจากผู้ใช้มีการแสดงการตั้งค่าสำหรับฝรั่งเศสจึงสอนในอดีต ระบบ
จะสมมติว่าผู้ใช้ชอบปีที่ดี เพราะมันเด่น แมเรี่ยน แอฟ
แนะนำตาม มันชี้ให้เห็นใน [ 16 ] KB recommenders มักจะวาดบนเหตุผลด้วยกรณีศึกษา

วิธีแนะนำระบบไฮบริดจะใช้เพื่อเอาชนะในแต่ละประการ
แนะนำวิธีการ เบิร์ก [ 16 ] แตกต่างน้ำหนัก , ผสม , เปลี่ยน , คุณลักษณะการรวมกัน , น้ำตก , เสริมคุณลักษณะและ HS Meta ) ฟังก์ชันการรวมอาจจะมีส่วนร่วมในกระบวนการทำ เช่น การรวม
คะแนนแนะนำแตกต่างกันใน HS ถ่วงน้ำหนักหรือคุณลักษณะในคุณลักษณะการรวมกัน HS . บนมืออื่น ๆ บางส่วนของวิธีการเหล่านี้ไฮบริด เป็นประโยชน์อย่างยิ่งในการปรับปรุงประสิทธิภาพของการรวมฟังก์ชันที่ใช้ในแต่ละขั้นตอน .
ตัวอย่างเช่นวิธีการหนึ่งจึง ltering น้ำตกใช้เทคนิคเพื่อลดขนาดของข้อมูล
,ในขณะที่คุณสมบัติเสริม HS อาจใช้วิธีหนึ่งในการลดขนาดของ ความเหมือนของมาตรการที่ใช้โฆษณาจะขึ้นอยู่กับความคล้ายคลึงกันระหว่างผู้ใช้ speci ฟังก์ชั่น C
จึงรวม ( เช่น ความเหมือนระหว่างน้ำหนักและพารามิเตอร์ ) สร้างขึ้นใน UB และ CB กรอบ . เมตาระดับ HS คล้ายกันอธิบาย
[ 16 ] ใช้เกณฑ์เปลี่ยน HS จะขึ้นอยู่กับบางส่วนใน
ฟังก์ชันรวม แต่ที่นี่เป็นกับ HS ผสม ใช้โอกาสน้อย .
ฟังก์ชันการรวมเอาปัจจัยต่างๆ และรวมไว้ในผลผลิตตัวแทนเดียว ตัวอย่างง่าย ๆของฟังก์ชันการรวมรวมคณิตศาสตร์
หมายถึง ค่าเฉลี่ย ค่าสูงสุด การใช้ฟังก์ชันที่ซับซ้อนมากขึ้น และการแสดงออก