2.2.1 Computing PredictionsTo gener

2.2.1 Computing Predictions
To generate predictions or recommendations for a user u, user–user
CF first uses s to compute a neighborhood N ⊆ U of neighbors of u.
Once N has been computed, the system combines the ratings of users
in N to generate predictions for user u’s preference for an item i. This
is typically done by computing the weighted average of the neighboring
users’ ratings i using similarity as the weights:
pu,i = ¯ru +

u∈N s(u,u
)(ru,i − r¯u)

u∈N |s(u,u
)| (2.6)
92 Collaborative Filtering Methods
Subtracting the user’s mean rating ¯ru compensates for differences
in users’ use of the rating scale (some users will tend to give higher
ratings than others). Equation (2.6) can also be extended to normalize
user ratings to z-scores by dividing the offset from mean rating by the
standard deviation σu of each user’s ratings, thereby compensating for
users differing in rating spread as well as mean rating [58]:
pu,i = ¯ru + σu

u∈N s(u,u
)(ru,i − r¯u)/σu

u∈N |s(u,u
)| (2.7)
Weighted averaging is not the only mechanism that has been used
for computing predictions, but it is the most common. Ringo used no
weighting, performing an unweighted average over ratings by neighboring
users [137]. The BellCore system used a multivariate regression over
the users in the neighborhood to generate predictions [62]. Weighted
averaging is by far the most common, however, as it is simple and works
well in practice. It is also consistent with Social Choice theory [111],
grounding it in models of human behavior and an axiomatic, firstprinciples
development of collaborative filtering. Social choice theory
deals with the preferences of individuals and of a society as a whole.
Given several properties that a recommender should exhibit within the
social choice framework, Pennock et al. show that weighted averaging
is the only aggregation method which produces consistent results.
There remains the question of how many neighbors to select. In some
systems, such as the original GroupLens, N = U{u} (all users are
considered as neighbors); in other systems, neighborhoods are selected
for each item based on a similarity threshold or neighborhood size such
that Ni is the k users most similar to u who have rated the target item i.
Limiting neighborhood size can result in more accurate predictions, as
the neighbors with low correlation introduce more noise than signal
into the process [58]. The particular threshold to use is domain- and
system-specific, so analysis of a relevant data set is needed to choose
the neighborhood size for a particular deployment. In offline analysis
of available movie ratings data, Herlocker et al. found k = 20 to be a
good value; values in the 20–50 range are a reasonable starting point
in many domains. Lathia et al. [86] propose dynamically adapting the
neighborhood size used for each user to minimize the error in their
2.2 User–User Collaborative Filtering 93
predictions as new data is added to the system. Randomly sampling
candidate users for the neighborhood can decrease the time required to
find neighbors, at the possible expense of accuracy [62].

ผลลัพธ์ (ไทย) 1:

2.2.1 การคำนวณการคาดการณ์การสร้างการคาดการณ์หรือคำแนะนำสำหรับ u เป็นผู้ใช้ ผู้ใช้ – ผู้ใช้CF ก่อนใช้ s คำนวณย่าน⊆ N U ของเพื่อนบ้านของคุณเมื่อมีการคำนวณ N ระบบรวมการจัดอันดับของผู้ใช้ใน N เพื่อสร้างการคาดการณ์สำหรับผู้ใช้ตั้งค่า u's สำหรับ i. การสินค้านี้โดยทั่วไป โดยการคำนวณค่าเฉลี่ยถ่วงน้ำหนักใกล้เคียงการจัดอันดับของผู้ใช้ผมใช้ความคล้ายคลึงกันเป็นน้ำหนัก:ปู ฉัน = ¯ru +s u∈N (u, u) (ru, i − r¯u)u∈N | s (u, u)| (2.6)92 วิธีการกรองการทำงานร่วมกันลบ ¯ru คะแนนเฉลี่ยของผู้ใช้ชดเชยความแตกต่างในระดับคะแนนที่ (ผู้ใช้บางคนจะมีแนวโน้มสูงขึ้นให้ผู้ใช้อันดับอื่น ๆ) สมการ (2.6) สามารถขยายความปกติผู้ใช้ให้คะแนน z โดยหารออฟเซ็ตหมายถึง การจัดอันดับการσu ส่วนเบี่ยงเบนมาตรฐานของการจัดอันดับของผู้ใช้แต่ละ จึงช่วยชดเชยผู้ใช้ที่แตกต่างกันในการจัดอันดับอย่าง เป็นหมายถึง การให้คะแนน [58]:ปู ฉัน = ¯ru + σus u∈N (u, u)(ru,i − r¯u)/σuu∈N | s (u, u)| (2.7)ถัวเฉลี่ยไม่ใช่กลไกเดียวที่ใช้สำหรับการคาดคะเน การใช้งาน แต่ก็พบมากที่สุด ริงโกใช้ไม่น้ำหนัก การดำเนินการเฉลี่ย unweighted ผ่านการจัดอันดับ โดยเพื่อนบ้านผู้ใช้ [137] ระบบ BellCore ใช้การถดถอยแบบหลายตัวแปรผู้ใช้ในย่านสร้างคาดการณ์ [62] ถ่วงน้ำหนักเฉลี่ยอยู่ทั่วไปโดยไกลที่สุด อย่างไรก็ตาม มันเป็นเรื่องง่าย และทำงานในการปฏิบัติ ก็ยังสอดคล้องกับทฤษฎีทางเลือกสังคม [111],ดินในรูปแบบของพฤติกรรมของมนุษย์และการเชื่อง firstprinciplesการพัฒนาตัวกรองร่วมกัน ทฤษฎีทางเลือกทางสังคมข้อเสนอกับการกำหนดลักษณะ ของบุคคล และสังคมโดยรวมกำหนดคุณสมบัติหลาย ๆ อย่างที่เป็นผู้แนะนำควรจัดแสดงภายในการกรอบทางเลือกสังคม Pennock et al.แสดงว่าเฉลี่ยถ่วงน้ำหนักเป็นวิธีการรวมเฉพาะที่ก่อให้เกิดผลลัพธ์ที่สอดคล้องกันมีอยู่คำถามของเพื่อนเพื่อเลือกวิธีการหลายบ้าน ในบางระบบ เช่น GroupLens เดิม N = U {u } (ผู้ใช้ทั้งหมดเป็นถือว่าเป็นเพื่อนบ้าน); ในระบบอื่น ๆ เลือกละแวกใกล้เคียงสำหรับแต่ละรายการตามเกณฑ์ความคล้ายคลึงกันหรือย่านขนาดดังกล่าวว่า Ni ผู้ k ส่วนใหญ่คล้ายกับที่มีคะแนนสินค้าเป้าหมายผมจำกัดย่านขนาดสามารถส่งผลให้คาดคะเนถูกต้องมากขึ้น เป็นเพื่อนบ้าน มีความสัมพันธ์ต่ำแนะนำเพิ่มเติมรบกวนกว่าสัญญาณเข้าสู่กระบวนการ [58] ขีดจำกัดเฉพาะการใช้เป็นโดเมน และเฉพาะ เพื่อการวิเคราะห์ชุดข้อมูลที่เกี่ยวข้องจำเป็นต้องเลือกขนาดย่านสำหรับการปรับใช้เฉพาะ ในการวิเคราะห์แบบออฟไลน์ของข้อมูลการจัดอันดับภาพยนตร์ที่มี Herlocker et al.พบ k = 20 จะมีดีค่า ค่าในช่วง 20 – 50 เป็นจุดเริ่มต้นที่เหมาะสมในหลายโดเมน Lathia et al. [86] เสนอปรับแบบไดนามิกย่านขนาดที่ใช้สำหรับแต่ละผู้ใช้เพื่อลดข้อผิดพลาดในการ2.2 ผู้ใช้ – ผู้ใช้ 93 กรองร่วมกันคาดคะเนเป็นข้อมูลใหม่ถูกเพิ่มไปยังระบบ สุ่มตัวอย่างแบบสุ่มผู้สมัครผู้ใช้สำหรับย่านที่สามารถลดระยะเวลาการหาเพื่อนบ้าน ค่าใช้จ่ายไปได้ของความถูกต้อง [62]

ผลลัพธ์ (ไทย) 2:

2.2.1 การคาดการณ์ Computing
เพื่อสร้างการคาดการณ์หรือคำแนะนำสำหรับผู้ใช้ U ใช้งานของผู้ใช้
CF แรกใช้เพื่อคำนวณพื้นที่ใกล้เคียงที่ยังไม่มี⊆ U ของประเทศเพื่อนบ้านของ U.
เมื่อ N ได้รับการคำนวณระบบรวมการจัดอันดับของผู้ใช้
ใน N เพื่อ สร้างการคาดการณ์สำหรับผู้ใช้ตั้งค่า U สำหรับรายการฉัน นี้
มักจะกระทำโดยการคำนวณค่าเฉลี่ยถ่วงน้ำหนักของเพื่อนบ้าน
ให้คะแนนของผู้ใช้ 'ฉันใช้ความคล้ายคลึงกันเป็นน้ำหนัก:
PU, i = ru +

u∈N s (U, U
) (RU, I - RU)

u∈N | s (U, U
) | (2.6)
92 ความร่วมมือการกรองวิธีการ
ลบคะแนนเฉลี่ย RU ของผู้ใช้ชดเชยความแตกต่าง
ในการใช้งานของผู้ใช้ระดับการให้คะแนน (ผู้ใช้บางคนจะมีแนวโน้มที่จะให้สูงกว่า
การให้คะแนนกว่าคนอื่น ๆ ) สมการ (2.6) นอกจากนี้ยังสามารถขยายไปยังปกติ
คะแนนของผู้ใช้ถึง Z-คะแนนโดยการหารชดเชยจากคะแนนเฉลี่ยโดย
σuเบี่ยงเบนมาตรฐานของการให้คะแนนของผู้ใช้แต่ละคนจึงชดเชยสำหรับ
ผู้ใช้งานที่แตกต่างกันในการจัดอันดับการแพร่กระจายเช่นเดียวกับค่าเฉลี่ยคะแนน [58]:
PU, i = ru + σu

u∈N s (U, U
) (RU, I - RU) / σu

u∈N | s (U, U
) | (2.7)
ค่าเฉลี่ยถ่วงน้ำหนักไม่ได้เป็นเพียงกลไกที่ได้ถูกนำมาใช้
สำหรับการคาดการณ์การคำนวณ แต่มันเป็นเรื่องที่พบมากที่สุด ริงโก้ไม่ใช้
น้ำหนักที่มีประสิทธิภาพเฉลี่ยชั่งมากกว่าการจัดอันดับโดยเพื่อนบ้าน
ผู้ใช้ [137] ระบบ Bellcore ใช้การถดถอยหลายตัวแปรมากกว่า
ผู้ใช้ในพื้นที่ใกล้เคียงเพื่อสร้างการคาดการณ์ [62] ถ่วงน้ำหนัก
เฉลี่ยคือไกลโดยที่พบมากที่สุดอย่างไรก็ตามในขณะที่มันเป็นเรื่องง่ายและทำงานร่วม
กันในการปฏิบัติ นอกจากนี้ยังสอดคล้องกับการเลือกของสังคมทฤษฎี [111]
ดินในรูปแบบของพฤติกรรมของมนุษย์และเป็นจริง, firstprinciples
พัฒนาของการกรองการทำงานร่วมกัน ทฤษฎีทางเลือกทางสังคม
ข้อเสนอที่มีการตั้งค่าของบุคคลและสังคมโดยรวมก.
ได้รับคุณสมบัติหลาย ๆ อย่างที่ recommender ควรแสดงภายใน
กรอบทางเลือกทางสังคม Pennock et al, แสดงให้เห็นว่าค่าเฉลี่ยถ่วงน้ำหนัก
เป็นวิธีการรวมเท่านั้นซึ่งก่อให้เกิดผลที่สอดคล้องกัน.
มีคำถามของวิธีการที่หลายประเทศเพื่อนบ้านเพื่อเลือกยังคงอยู่ ในบาง
ระบบเช่น GroupLens เดิม, N = U {u} (ผู้ใช้ทุกคนจะได้
รับการพิจารณาเป็นเพื่อนบ้าน); ในระบบอื่น ๆ ในละแวกใกล้เคียงจะถูกเลือก
สำหรับแต่ละรายการขึ้นอยู่กับเกณฑ์ที่คล้ายคลึงกันหรือพื้นที่ใกล้เคียงขนาดดังกล่าว
ว่า Ni เป็นผู้ใช้ K ส่วนใหญ่คล้ายกับ U ที่มีการจัดอันดับรายการเป้าหมาย i.
จำกัด ขนาดพื้นที่ใกล้เคียงสามารถส่งผลให้เกิดการคาดการณ์ที่ถูกต้องมากขึ้นเป็น
เพื่อนบ้าน ที่มีความสัมพันธ์ต่ำแนะนำสัญญาณรบกวนมากกว่าสัญญาณ
เข้าสู่กระบวนการ [58] เกณฑ์โดยเฉพาะอย่างยิ่งกับการใช้เป็นโดเมนที่และ
ระบบที่เฉพาะเจาะจงเพื่อการวิเคราะห์ชุดข้อมูลที่เกี่ยวข้องที่จำเป็นในการเลือก
ขนาดพื้นที่ใกล้เคียงสำหรับการใช้งานโดยเฉพาะอย่างยิ่ง ในการวิเคราะห์แบบออฟไลน์
สินค้าจากการจัดอันดับภาพยนตร์ข้อมูล Herlocker et al, พบ K = 20 จะเป็น
ค่าที่ดี ค่าในช่วง 20-50 เป็นจุดเริ่มต้นที่เหมาะสม
ในหลายโดเมน Lathia et al, [86] เสนอแบบไดนามิกปรับ
ขนาดพื้นที่ใกล้เคียงใช้สำหรับผู้ใช้แต่ละคนเพื่อลดข้อผิดพลาดของพวกเขาใน
2.2 ที่ใช้งานของผู้ใช้ความร่วมมือการกรอง 93
คาดการณ์เป็นข้อมูลใหม่จะถูกเพิ่มเข้าไปในระบบ สุ่มเก็บตัวอย่าง
ผู้ใช้ผู้สมัครสำหรับพื้นที่ใกล้เคียงสามารถลดเวลาที่ต้อง
พบว่าเพื่อนบ้านที่ค่าใช้จ่ายที่เป็นไปได้ของความถูกต้อง [62]

ผลลัพธ์ (ไทย) 3:

โปรแกรมคำนวณคาดคะเนเพื่อสร้างการคาดการณ์หรือคำแนะนำสำหรับผู้ใช้และผู้ใช้และผู้ใช้ตัวแรกใช้เพื่อคำนวณ⊆ละแวก N u เพื่อนบ้านของสหรัฐอเมริกาเมื่อ n ได้ถูกคำนวณระบบรวมคะแนนของผู้ใช้ในการสร้างการคาดการณ์สำหรับการตั้งค่าของผู้ใช้คุณสำหรับรายการที่นี่ .โดยทั่วไปจะทำโดยการคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประเทศเพื่อนบ้านผมใช้ของผู้ใช้คะแนนความเหมือนที่น้ำหนัก := ¯รู + ปูคุณ∈ N S ( U , U) ( RU , − R ¯ U )คุณ∈ N | S ( U , U) | ( 2.6 )วิธีการกรอง 92 )ลบผู้ใช้ค่าเฉลี่ย¯ชดเชยความรุผู้ใช้ " การใช้แบบ ( ผู้ใช้บางคนมักจะให้สูงขึ้นการจัดอันดับกว่าคนอื่น ) สมการ ( 2.6 ) ยังสามารถขยายให้ผู้ใช้คะแนนเพื่อ z-scores โดยการหารชดเชยจากค่าเฉลี่ยโดยส่วนเบี่ยงเบนมาตรฐานของคะแนนของผู้ใช้แต่ละσ U จึงชดเชยผู้ใช้ที่มีคะแนนกระจายเป็นค่าเฉลี่ย [ 58 ] :ปู่ฉัน = ¯รู + σ Uคุณ∈ N S ( U , U) ( RU , − R ¯ U ) / σ Uคุณ∈ N | S ( U , U) | ( 2.7 )ถัวเฉลี่ยไม่ได้เป็นเพียงกลไกที่ถูกใช้สำหรับการคำนวณคาดการณ์ แต่จะพบบ่อยที่สุด ริงโก้ใช้ไม่น้ำหนัก , การแสดงการจัดอันดับโดยเฉลี่ยถ่วงน้ำหนักมากกว่าประเทศเพื่อนบ้านผู้ใช้ [ 137 ] การถดถอยหลายตัวแปรระบบเบลล์คอร์ใช้มากกว่าผู้ใช้ในบ้านเพื่อสร้างการคาดการณ์ [ 62 ] ถัวเฉลี่ยคือไกลโดยที่พบมากที่สุด แต่มันเป็น ง่าย และ งานดีในการปฏิบัติ นอกจากนี้ยังสอดคล้องกับทฤษฎีทางเลือกทางสังคม [ 111 ]ดินในรูปแบบของพฤติกรรมมนุษย์และสัจพจน์ firstprinciples ,การพัฒนาร่วมกัน กรอง ทฤษฎีทางเลือกทางสังคมเกี่ยวข้องกับความชอบของบุคคลและของสังคมโดยรวมให้หลายคุณสมบัติที่แนะนำควรแสดงภายในกรอบทางเลือกสังคม , เพนเนิก et al . แสดงให้เห็นว่ามีน้ำหนักเฉลี่ยเป็นเพียงการรวมวิธีการที่ก่อให้เกิดผลลัพธ์ที่สอดคล้องกันยังคงมีคำถามของวิธีการหลายประเทศเพื่อนบ้านในการเลือก ในบางระบบ เช่น grouplens เดิม , n = u { U } ( ผู้ใช้ทั้งหมดถือเป็นเพื่อนบ้าน ) ; ในระบบอื่น ๆย่านเลือกสำหรับสินค้าแต่ละรายการตามเกณฑ์ หรือขนาดใกล้เคียงกันเช่นว่าฉันเป็นผู้ใช้ส่วนใหญ่ที่คล้ายกัน K U มีคะแนนของเป้าหมาย .จำกัดขนาดใกล้เคียงสามารถส่งผลในการทำนายที่ถูกต้องเพิ่มเติมเพื่อนบ้านมีความสัมพันธ์มากกว่าสัญญาณเสียงต่ำ แนะนำเข้าสู่กระบวนการ [ 58 ] เกณฑ์ที่เฉพาะเจาะจงที่จะใช้เป็นโดเมนและระบบที่เฉพาะเจาะจง ดังนั้นการวิเคราะห์ชุดข้อมูลที่เกี่ยวข้องจะต้องเลือกขนาดใกล้เคียงกับการใช้งานเฉพาะ ในการวิเคราะห์ครับข้อมูล หนังเรตติ้งใช้ได้ herlocker et al . พบ K = 20 เป็นดีค่า ; ค่าในช่วง 20 – 50 เป็นจุดเริ่มต้นที่เหมาะสมหลายโดเมน lathia et al . [ 86 ] ขอปรับแบบไดนามิกบ้านขนาดใช้สำหรับแต่ละผู้ใช้ เพื่อลดข้อผิดพลาดในของพวกเขา2.2 ผู้ใช้และผู้ใช้การกรอง 93 )คาดคะเนเป็นข้อมูลใหม่จะถูกเพิ่มไปยังระบบ ตัวอย่างแบบสุ่มผู้สมัครผู้ใช้สำหรับเพื่อนบ้านสามารถลดเวลาที่ใช้ในการหาเพื่อนบ้านที่ค่าใช้จ่ายที่เป็นไปได้ของความถูกต้อง [ 62 ]