In this section we study a class of

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.

ผลลัพธ์ (ไทย) 1:

ในส่วนนี้ เราต้องศึกษาชั้นเรียนของอัลกอริทึมคำแนะนำใช้สินค้าสำหรับการคาดคะเนผู้ผลิต ซึ่งแตกต่างจากผู้ตามร่วมกรองอัลกอริธึมที่กล่าวถึงใน 2 ส่วนวิธีใช้สินค้ามีลักษณะเป็นชุดของรายการผู้ใช้เป้าหมายมีคะแนน และคำนวณคล้ายคลึงพวกเขาจะรายการเป้าหมายผม แล้วเลือก k คล้ายกันมากที่สุดสินค้า {i1, i2,..., ik } ขณะเดียวกัน ความเหมือนของพวกเขาเกี่ยวข้อง {si1, si2,..., ซิค} จะยังคำนวณ ครั้งพบรายการที่คล้ายคลึงกันมากที่สุด คำทำนายแล้วคำนวณ โดยใช้ค่าเฉลี่ยถ่วงน้ำหนักของการจัดอันดับของผู้ใช้เป้าหมายสินค้าเหล่านี้คล้ายคลึงกัน เราอธิบายแง่ที่สองคือ คำนวณความคล้ายคลึงกันและการสร้างการคาดเดาในรายละเอียดที่นี่

ผลลัพธ์ (ไทย) 2:

ในส่วนนี้เราศึกษาชั้นเรียนของอัลกอริทึมคำแนะนำรายการที่ใช้ในการผลิตการคาดการณ์ให้กับผู้ใช้ ซึ่งแตกต่างจาก
ขั้นตอนวิธีการกรองการทำงานร่วมกันของผู้ใช้ตามที่กล่าวไว้ในมาตรา 2 รายการวิธีการที่ใช้มีลักษณะเป็นชุดของ
รายการผู้ใช้เป้าหมายได้จัดอันดับและคำนวณวิธีการที่คล้ายกันพวกเขาจะไปที่รายการเป้าหมายผมและจากนั้นเลือก k คล้ายกันมากที่สุด
รายการ {i1, i2 ... , IK} ในขณะเดียวกันความคล้ายคลึงกันของพวกเขาที่สอดคล้อง {SI1, SI2 ... , ซิก} จะคำนวณยัง เมื่อ
รายการที่คล้ายกันส่วนใหญ่จะพบการทำนายแล้วคำนวณโดยการถัวเฉลี่ยถ่วงน้ำหนักของคะแนนของผู้ใช้เป้าหมาย
ในรายการที่คล้ายกันเหล่านี้ เราอธิบายทั้งสองด้านคือการคำนวณความคล้ายคลึงกันและการสร้างการคาดการณ์
ในรายละเอียดที่นี่

ผลลัพธ์ (ไทย) 3:

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