Jeff Bezos pinned great hopes on hi

Jeff Bezos pinned great hopes on his company’s ability to create a “soul mate,” a mechanism that analyzes data generated by previous purchases and searches to suggest book and music titles that are likely to be interesting to visitors. In 2001, Bezos and others hoped that this technology, known as collaborative filtering, would increase the usefulness of Internet retailing and help
move e-tailers away from the discount bin and toward the value added sellers.

As computer processing power increased in the 1990s, researchers began to develop algorithms to help predict consumer behavior. The goal behind collaborative filtering was to replicate and automate the process of “word-of-mouth” recommendations by which people suggest products or services to one another. Collaborative filtering was particularly useful in helping users
choose between thousands or millions of options that were too complex to analyze individually.

Most collaborative filtering systems were comprised of a series of general steps. First, a large group of people’s preferences were registered. Using a similarity measure, a subgroup of people
were selected whose preferences were similar to the preferences of the person who sought advice. A weighted average of the preferences for that subgroup was then calculated. The resulting preference function was used to recommend options on which the advice-seeker had expressed no personal opinion as yet. If the similarity metric had indeed selected people with similar tastes, the chances were great that the options that were deemed desirable by that group would also be appreciated by the advice-seeker. An application typically recommended books, music CDs, or movies. More generally, the method could be used for the selection of
documents, services, or products of any kind.

The main liability with existing collaborative filtering systems was that it required the collection of preferences. In order to be reliable, most systems needed a large number of people (typically thousands) to express their preferences about a relatively large number of options (typically dozens).However, the system only became useful after a critical mass of opinions had been
collected. Users were not motivated to express detailed preferences in the beginning stages (e.g., by rating dozens of book titles on a 10 point scale), when the system could yet help them.


Amazon, for example, avoided this start-up problem by collecting preferences that were implicit in people’s actions. Customers who ordered books or music from Amazon implicitly expressed their preference for the titles they bought over the titles they did not buy. Customers who bought the same book or CD were likely to have similar preferences for other titles as well. Similarly, collaborative filtering could use customers’ behavior while surfing a site to infer their tastes. Search behavior, the amount of time a customer spent on a given product, and similar metrics could be used to indirectly infer a preference without requiring tedious data entry on the customer’s part.

ผลลัพธ์ (ไทย) 2:

เจฟ Bezos ตรึงความหวังที่ดีเกี่ยวกับความสามารถของ บริษัท ที่จะสร้าง "คู่จิตวิญญาณ" กลไกที่ช่วยวิเคราะห์ข้อมูลที่สร้างขึ้นโดยการซื้อก่อนหน้านี้และให้คำแนะนำในการค้นหาหนังสือและชื่อเพลงที่มีแนวโน้มที่จะน่าสนใจที่จะเข้าชม ในปี 2001 Bezos และอื่น ๆ
หวังว่าเทคโนโลยีนี้เป็นที่รู้จักกรองการทำงานร่วมกันที่จะเพิ่มประโยชน์ของการค้าปลีกอินเทอร์เน็ตและช่วยย้ายE-tailers ห่างจากถังส่วนลดและต่อมูลค่าเพิ่มผู้ขาย. ในฐานะที่เป็นพลังการประมวลผลของคอมพิวเตอร์ที่เพิ่มขึ้นในปี 1990, นักวิจัยเริ่มพัฒนาขั้นตอนวิธีการที่จะช่วยให้การคาดการณ์พฤติกรรมของผู้บริโภค เป้าหมายที่อยู่เบื้องหลังการกรองการทำงานร่วมกันคือการทำซ้ำและทำให้กระบวนการของคำแนะนำ "คำพูดจากปาก" โดยที่คนแนะนำผลิตภัณฑ์หรือบริการกับอีกคนหนึ่ง กรองความร่วมมือเป็นประโยชน์อย่างยิ่งในการช่วยให้ผู้ใช้เลือกระหว่างพันหรือล้านของตัวเลือกที่มีความซับซ้อนเกินไปที่จะวิเคราะห์เป็นรายบุคคล. ส่วนใหญ่ระบบการกรองการทำงานร่วมกันได้รับประกอบด้วยชุดของขั้นตอนทั่วไป ครั้งแรกเป็นกลุ่มใหญ่ของการตั้งค่าของผู้คนที่ได้รับการจดทะเบียน การใช้มาตรการที่คล้ายคลึงกันเป็นกลุ่มย่อยของคนที่ได้รับการคัดเลือกที่มีการตั้งค่ามีความคล้ายคลึงกับการตั้งค่าของคนที่ขอคำแนะนำที่ ค่าเฉลี่ยถ่วงน้ำหนักของการตั้งค่าสำหรับกลุ่มย่อยที่ได้รับการคำนวณแล้ว ฟังก์ชั่นการตั้งค่าที่เกิดขึ้นถูกใช้ในการแนะนำตัวเลือกที่แนะนำคนหาไม่ได้แสดงความเห็นส่วนตัวเป็นยัง หากตัวชี้วัดความคล้ายคลึงกันแน่นอนได้เลือกคนที่มีรสนิยมคล้ายกันโอกาสที่ดีที่จะเป็นตัวเลือกที่ถือว่าเป็นที่น่าพอใจโดยกลุ่มที่จะได้รับการชื่นชมจากคำแนะนำ-ผู้สมัคร แอพลิเคชันมักจะแนะนำหนังสือซีดีเพลงหรือภาพยนตร์ โดยทั่วไปวิธีการที่สามารถนำมาใช้สำหรับการเลือกของเอกสารบริการหรือผลิตภัณฑ์ใด ๆ . ความรับผิดหลักที่มีระบบกรองที่มีอยู่ร่วมกันก็คือว่ามันจำเป็นต้องมีคอลเลกชันของการตั้งค่า เพื่อที่จะให้ความน่าเชื่อถือระบบส่วนใหญ่จำเป็นต้องมีคนจำนวนมาก (โดยทั่วไป: พันบาท) ที่จะแสดงความต้องการของพวกเขาเกี่ยวกับจำนวนที่ค่อนข้างใหญ่ของตัวเลือก (ปกติหลายสิบ) อย่างไรก็ตามระบบเท่านั้นกลายเป็นประโยชน์หลังจากที่มวลที่สำคัญของความคิดเห็นที่ได้รับการเก็บรวบรวม. ผู้ใช้งานที่ไม่ได้มีแรงจูงใจที่จะแสดงการตั้งค่ารายละเอียดในขั้นตอนการเริ่มต้น (เช่นโดยการประเมินหลายสิบชื่อหนังสือในระดับ 10 จุด) เมื่อระบบยังสามารถช่วยให้พวกเขา. อะเมซอนเช่นหลีกเลี่ยงปัญหาที่เกิดขึ้นเริ่มต้นขึ้นนี้โดยการจัดเก็บการตั้งค่า ที่มีนัยในการกระทำของผู้คน ลูกค้าที่สั่งซื้อหนังสือหรือเพลงจาก Amazon โดยปริยายแสดงความต้องการของพวกเขาสำหรับชื่อที่พวกเขาซื้อผ่านชื่อที่พวกเขาไม่ได้ซื้อ ลูกค้าที่ซื้อหนังสือเล่มเดียวกันหรือ CD มีแนวโน้มที่จะมีความต้องการที่คล้ายกันสำหรับชื่ออื่น ๆ เช่นกัน ในทำนองเดียวกันการกรองการทำงานร่วมกันสามารถใช้พฤติกรรมของลูกค้าในขณะที่ท่องเว็บไซต์เพื่อสรุปรสนิยมของพวกเขา พฤติกรรมการค้นหาระยะเวลาที่ลูกค้าใช้จ่ายในสินค้าที่ได้รับและตัวชี้วัดที่คล้ายกันสามารถนำมาใช้ทางอ้อมที่จะสรุปการตั้งค่าโดยไม่ต้องมีการป้อนข้อมูลที่น่าเบื่อในส่วนของลูกค้า

ผลลัพธ์ (ไทย) 3:

Jeff Bezos ตรึงความหวังที่ดีใน บริษัท ของเขา ความสามารถในการสร้าง " คู่แท้ " กลไกที่ช่วยวิเคราะห์ข้อมูลที่สร้างขึ้นโดยการซื้อก่อนหน้านี้และการค้นหาแนะนำหนังสือและชื่อเพลงว่า มีแนวโน้มที่จะสนใจเข้าชม ในปี 2001 , Bezos และคนอื่น ๆ หวังไว้ว่า เทคโนโลยีนี้เรียกว่าร่วมกันกรองจะเพิ่มประโยชน์ของการค้าปลีกทางอินเทอร์เน็ตและช่วย
ย้าย e ห่างจากส่วนลดบินและต่อค่าผู้ขายเพิ่ม

เป็นพลังการประมวลผลของคอมพิวเตอร์เพิ่มขึ้น ในปี 1990 , นักวิจัยเริ่มพัฒนาอัลกอริทึมเพื่อช่วยทำนาย พฤติกรรมของผู้บริโภค เป้าหมายหลังร่วมกันเพื่อเลียนแบบและกรองโดยอัตโนมัติกระบวนการของ " ปากต่อปาก " ข้อเสนอแนะที่ผู้แนะนำสินค้าหรือบริการต่อไปร่วมกันเป็นประโยชน์อย่างยิ่งในการช่วยกรองผู้ใช้
เลือกระหว่างหลายพันหรือล้านของตัวเลือกที่ซับซ้อนเกินไปที่จะวิเคราะห์เป็นรายบุคคล

ส่วนใหญ่ร่วมกันระบบการกรองยังประกอบด้วยชุดของทั่วไปตามขั้นตอน แรก กลุ่มใหญ่ของการตั้งค่าของผู้คนลงทะเบียน . ใช้ความเหมือนวัดย่อยของคน
เลือกที่มีลักษณะคล้ายคลึงกับลักษณะของผู้ที่ขอแนะนำ มีน้ำหนักเฉลี่ยของการตั้งค่าที่ย่อยแล้วคํานวณ ผลการตั้งค่าฟังก์ชั่นที่ใช้เพื่อให้ตัวเลือกที่แนะนำผู้สมัครได้แสดงความคิดเห็นส่วนตัวไม่เป็นเลย ถ้าความเหมือนเมตริกที่แท้คนที่เลือกที่มีรสนิยมคล้ายกันโอกาสมากที่ตัวเลือกที่ถือว่าน่าพอใจ โดยกลุ่มที่ยังจะได้รับการชื่นชมจากคำแนะนำของผู้ล่า การประยุกต์ใช้โดยทั่วไปแนะนำหนังสือ ซีดีเพลง หรือภาพยนตร์ โดยทั่วไปแล้ว วิธีที่สามารถใช้สำหรับการเลือกของ
เอกสาร บริการ หรือผลิตภัณฑ์ใด ๆ .

ความรับผิดชอบหลักที่มีอยู่ร่วมกันกับระบบการกรองคือว่ามันเป็นคอลเลกชันของการตั้งค่า เพื่อที่สามารถเชื่อถือได้ ระบบส่วนใหญ่ต้องการคนจํานวนมาก ( ปกติพัน ) เพื่อแสดงการตั้งค่าของพวกเขาเกี่ยวกับจำนวนที่ค่อนข้างใหญ่ของตัวเลือก ( ปกติหลายสิบ ) อย่างไรก็ตาม ระบบเดียวที่เป็นประโยชน์หลังจากมวลวิกฤตของความคิดเห็นได้
รวบรวมผู้ใช้ไม่ motivated เพื่อแสดงการตั้งค่ารายละเอียดในขั้นตอนเริ่มต้น ( เช่น โดยการประเมินหลายสิบชื่อหนังสือใน 10 ระดับ ) เมื่อระบบยังสามารถช่วยให้พวกเขา


Amazon , ตัวอย่างเช่น , หลีกเลี่ยงปัญหานี้โดยการตั้งค่าเริ่มต้นที่แนบเนียนในการกระทำของคนลูกค้าที่สั่งหนังสือหรือเพลงจาก Amazon โดยปริยายแสดงการตั้งค่าของพวกเขาสำหรับชื่อที่พวกเขาซื้อผ่านชื่อพวกเขาไม่ได้ซื้อ ลูกค้าที่ซื้อหนังสือเล่มเดียวกัน หรือซีดี มีแนวโน้มที่จะมีลักษณะคล้ายคลึงกับชื่ออื่น ๆเช่นกัน ในทํานองเดียวกัน ร่วมกันกรองสามารถใช้พฤติกรรมของลูกค้าในขณะที่ท่องเว็บไซต์ สรุปว่ารสนิยมของพวกเขา พฤติกรรมการค้นหาจำนวนของเวลาที่ใช้ในผลิตภัณฑ์ให้ลูกค้า และตัวชี้วัดที่คล้ายกันสามารถใช้ทางอ้อมอนุมานความชอบโดยไม่ต้องป้อนข้อมูลที่น่าเบื่อในส่วนของลูกค้า