In this section we study a class of item-based recommendation algorithms for producing predictions to users. Unlike
the user-based collaborative filtering algorithm discussed in Section 2 the item-based approach looks into the set of
items the target user has rated and computes how similar they are to the target item i and then selects k most similar
items {i1,i2,...,ik }. At the same time their corresponding similarities {si1,si2,...,sik } are also computed. Once the
most similar items are found, the prediction is then computed by taking a weighted average of the target user’s ratings
on these similar items. We describe these two aspects namely, the similarity computation and the prediction generation
in details here.
ในส่วนนี้ เราต้องศึกษาชั้นเรียนของอัลกอริทึมคำแนะนำใช้สินค้าสำหรับการคาดคะเนผู้ผลิต ซึ่งแตกต่างจากผู้ตามร่วมกรองอัลกอริธึมที่กล่าวถึงใน 2 ส่วนวิธีใช้สินค้ามีลักษณะเป็นชุดของรายการผู้ใช้เป้าหมายมีคะแนน และคำนวณคล้ายคลึงพวกเขาจะรายการเป้าหมายผม แล้วเลือก k คล้ายกันมากที่สุดสินค้า {i1, i2,..., ik } ขณะเดียวกัน ความเหมือนของพวกเขาเกี่ยวข้อง {si1, si2,..., ซิค} จะยังคำนวณ ครั้งพบรายการที่คล้ายคลึงกันมากที่สุด คำทำนายแล้วคำนวณ โดยใช้ค่าเฉลี่ยถ่วงน้ำหนักของการจัดอันดับของผู้ใช้เป้าหมายสินค้าเหล่านี้คล้ายคลึงกัน เราอธิบายแง่ที่สองคือ คำนวณความคล้ายคลึงกันและการสร้างการคาดเดาในรายละเอียดที่นี่
การแปล กรุณารอสักครู่..
ในส่วนนี้เราศึกษาระดับของรายการตามขั้นตอนวิธีแนวทางการผลิตคาดคะเนเพื่อผู้ใช้ ซึ่งแตกต่างจากผู้ใช้ที่ใช้ร่วมกันขั้นตอนวิธีการกรอง
กล่าวถึงในมาตรา 2 รายการตามวิธีการดูชุด
รายการผู้ใช้เป้าหมายได้คะแนนสูงสุด และคำนวณวิธีการที่คล้ายกันพวกเขาไปยังเป้าหมายของผมแล้วเลือก K ส่วนใหญ่ใกล้เคียง
{ i1 I2 , รายการ , . . . , I }ในเวลาเดียวกันที่สอดคล้องกันของพวกเขา { si1 si2 ความคล้ายคลึงกัน , , . . . , ซิก } ยังคำนวณ . เมื่อรายการที่คล้ายกันมาก
พบการทำนายแล้วคำนวณโดยนำหนักเฉลี่ยของผู้ใช้เป้าหมายของการจัดอันดับ
รายการที่คล้ายกันเหล่านี้ เราอธิบายทั้งสองด้าน คือ ความเหมือนในการคำนวณและพยากรณ์รุ่น
ในรายละเอียดที่นี่
การแปล กรุณารอสักครู่..