Cheng et al. [6] do an analysis of

Cheng et al. [6] do an analysis of more than 2.5 million of
Youtube videos, it all obtained from a crawler. The authors
evaluate some characteristics as category popularity and
number of views. Furthermore, they investigate the social
network of Youtube videos, created by related videos and
user generated content. This network has characteristics of
“small-world” and a high clustering coefficient, which means
that this behavior can be explored to improve the design of
caching and “peer-to-peer” strategies for video sharing.
The works of Acharya et al. [1] and Chesire et al. [7] have
focus on popularity studying. The first one made analysis
based on user access to videos streamed on the Web, and
it identified that the content popularity does not have the
Zipf distribution. The last one analyzes the server workload
of medias from a large company, ant it observed that the
popularity has a Zipf distribution. Both works have opposite
results, which can be explained by the different nature of
the evaluated content, and it demonstrates the impact of the
scenario of study.
Another research [4] presents a workload characterization
of a online video sharing system. The authors use a real
and representative workload to characterize access patterns
and to study the user navigation profiles of this system.
As results, they provide several statistical models to various
system characteristics, such as popularity of videos, users,
and tags, inter-request and inter-session time distributions,
etc. They show that a typical user session of online video
social networks remains about 40 minutes, corresponding
to a higher value to the session timeout of traditional Web
systems. Their analyses have novelties for online video
sharing systems and useful for synthetic workload generation
and to the project of new infra-structures of this kind of
service.
Addressing the recommendation problem, it is possible to
find lots of works with the purpose to present techniques
for recommendation systems. The Recommender Systems
Handbook [14] was published in 2011, and it contains a set
of papers that is embrace by five topics: techniques, application
and evaluation of recommendation systems; recommendation
systems interactions; recommendation systems and
communities; and advanced algorithms. This study addresses
subjects that compose the base of recommendations systems,
and it has been used as reference to application and development
of the method of recommendation that is used in
our research.
The work of Su and Khoshgoftaar [16] presents several
techniques of Collaborative Filtering (CF), that is one of the
most successful approach to build recommendation systems.
By describing its mainly advantages and disadvantages, the
author enumerate the most important techniques of CF:
memory-based, model-based and hybrid (combining the first
two).
One of the current challenge is the modeling of the
user behavior. Recommendation systems are based on pro-

ผลลัพธ์ (ไทย) 1:

Cheng et al. [6] ทำการวิเคราะห์มากกว่า 2.5 ล้านวิดีโอ Youtube มันได้รับจากแบบตีนตะขาบ ผู้เขียนประเมินลักษณะบางอย่างเป็นความนิยมของประเภท และจำนวนผู้เข้าชม นอกจากนี้ พวกเขาตรวจสอบสังคมเครือข่ายวิดีโอ Youtube สร้างขึ้น โดยวิดีโอที่เกี่ยวข้อง และผู้ใช้สร้างเนื้อหา เครือข่ายนี้มีลักษณะของ"เล็กโลก" และสูงระบบคลัสเตอร์ coefficient ซึ่งหมายความว่าลักษณะการทำงานนี้สามารถสำรวจเพื่อปรับปรุงการออกแบบแค และ "เพียร์เพื่อเพียร์" กลยุทธ์สำหรับการแบ่งปันวิดีโอมีงานของคาราวะร้อยเอ็ด [1] และ Chesire et al. [7]เน้นการศึกษาความนิยม แรกทำการวิเคราะห์คะแนนจากผู้ใช้เข้าถึงวิดีโอสตรีมบนเว็บ และมันระบุว่า ความนิยมเนื้อหาไม่มีการZipf กระจาย สุดท้ายวิเคราะห์ภาระงานของเซิร์ฟเวอร์ของสื่อจากบริษัทขนาดใหญ่ มดจะสังเกตที่การความนิยมมีการกระจาย Zipf มีทั้งการทำงานผล ซึ่งสามารถอธิบายได้ ด้วยลักษณะต่าง ๆ ของเนื้อหารับประเมิน และอธิบายผลกระทบของการสถานการณ์ของการศึกษาการวิจัยอื่น [4] นำเสนอคุณลักษณะงานวิดีโอออนไลน์ระบบการแชร์ ผู้ใช้จริงและปริมาณพนักงานเพื่อกำหนดลักษณะรูปแบบการเข้าถึงและ การศึกษานำโปรไฟล์ผู้ใช้ของระบบนี้เป็นผล จะให้หลายรูปแบบทางสถิติต่าง ๆลักษณะระบบ เช่นความนิยมของวิดีโอ ผู้ใช้และ แท็ก กระจายการร้องขอระหว่าง และเซสชันระหว่างเวลาฯลฯ พวกเขาแสดงว่าเป็นผู้ใช้เซสชันวิดีโอออนไลน์เครือข่ายสังคมยังคงประมาณ 40 นาที สอดคล้องจะสูงกว่าค่าการหมดเวลาของเซสชันของเว็บดั้งเดิมระบบ การวิเคราะห์มี novelties สำหรับวิดีโอออนไลน์ระบบที่ใช้ร่วมกัน และมีประโยชน์สำหรับการสร้างปริมาณงานสังเคราะห์และโครงการใหม่อินฟราโครงสร้างประเภทนี้ของบริการจัดการกับปัญหาคำแนะนำ เป็นหางานมีวัตถุประสงค์เพื่อนำเสนอเทคนิคมากมายสำหรับคำแนะนำของระบบ ระบบผู้แนะนำเผยแพร่คู่มือ [14] ใน 2011 และประกอบด้วยชุดของเอกสารที่กอดตามหัวข้อที่ห้า: เทคนิค โปรแกรมและประเมินผลระบบแนะนำ คำแนะนำระบบโต้ตอบ ระบบคำแนะนำ และชุมชน และขั้นตอนวิธีการ การศึกษานี้เน้นวัตถุที่ประกอบด้วยฐานของระบบคำแนะนำและมันถูกใช้เป็นอ้างอิงการประยุกต์และการพัฒนาวิธีการแนะนำที่ใช้ในการวิจัยของเราการทำงานของ Su และ Khoshgoftaar [16] แสดงหลายเทคนิคของร่วมกรอง (CF), ซึ่งเป็นหนึ่งในแนวทางที่ประสบความสำเร็จในการสร้างระบบแนะนำโดยอธิบายเป็นส่วนใหญ่ข้อดีและข้อเสีย การผู้เขียนระบุเทคนิคสำคัญที่สุดของ CF:ใช้หน่วยความจำ แบบ และแบบไฮบริด (รวมครั้งแรกสอง)ท้าทายคือการสร้างโมเดลของการลักษณะการทำงานผู้ใช้ โปร - ตามคำแนะนำของระบบ

ผลลัพธ์ (ไทย) 2:

Cheng et al, [6] ทำวิเคราะห์มากกว่า 2.5 ล้านของ
Youtube วิดีโอมันทั้งหมดที่ได้รับจากซอฟต์แวร์รวบรวมข้อมูล ผู้เขียนประเมินลักษณะบางประการที่เป็นความนิยมประเภทและจำนวนครั้ง นอกจากนี้พวกเขาตรวจสอบทางสังคมเครือข่ายของวิดีโอ Youtube ที่สร้างขึ้นโดยวิดีโอที่เกี่ยวข้องและเนื้อหาที่ผู้ใช้สร้างขึ้น เครือข่ายนี้มีลักษณะของ"เล็กโลก" และค่าสัมประสิทธิ์การจัดกลุ่มสูงซึ่งหมายความว่าพฤติกรรมนี้อาจได้รับการสำรวจเพื่อปรับปรุงการออกแบบของแคชและ"แบบ peer-to-peer" กลยุทธ์สำหรับการแบ่งปันวิดีโอ. ผลงานของคารา et al, [1] และ Chesire et al, [7] มีความสำคัญกับการศึกษาความนิยม คนแรกที่ทำให้การวิเคราะห์บนพื้นฐานของการเข้าถึงของผู้ใช้ไปยังวิดีโอสตรีมบนเว็บและมันระบุว่าความนิยมที่เนื้อหาไม่ได้มีการกระจายZipf สุดท้ายการวิเคราะห์ภาระงานเซิร์ฟเวอร์ของสื่อจาก บริษัท ขนาดใหญ่มดก็สังเกตเห็นว่าความนิยมมีการกระจายZipf ผลงานทั้งสองมีอยู่ตรงข้ามกับผลที่สามารถอธิบายได้ด้วยธรรมชาติที่แตกต่างกันของเนื้อหาที่ได้รับการประเมินและแสดงให้เห็นถึงผลกระทบของสถานการณ์ของการศึกษา. การวิจัยอีก [4] นำเสนอตัวละครภาระของระบบแบ่งปันวิดีโอออนไลน์ ผู้เขียนใช้จริงภาระงานและตัวแทนที่จะอธิบายลักษณะรูปแบบการเข้าถึงและศึกษารูปแบบการนำใช้งานของระบบนี้. ในฐานะที่เป็นผลพวกเขาให้แบบจำลองทางสถิติหลายต่าง ๆลักษณะของระบบเช่นความนิยมของวิดีโอที่ผู้ใช้และแท็กระหว่างการร้องขอและการกระจายเวลาระหว่างเซสชั่น, ฯลฯ พวกเขาแสดงให้เห็นว่าเซสชั่นการใช้งานโดยทั่วไปของวิดีโอออนไลน์เครือข่ายทางสังคมยังคงอยู่ประมาณ 40 นาทีซึ่งสอดคล้องกับค่าที่สูงขึ้นเพื่อการหมดเวลาเซสชั่นของเว็บแบบดั้งเดิมระบบ การวิเคราะห์ของพวกเขามี novelties สำหรับวิดีโอออนไลน์ระบบร่วมกันและมีประโยชน์สำหรับการสร้างภาระสังเคราะห์และโครงการของโครงสร้างอินฟาใหม่ของชนิดนี้ให้บริการ. Addressing ปัญหาข้อเสนอแนะนั้นมันเป็นไปได้ที่จะพบจำนวนของผลงานโดยมีวัตถุประสงค์เพื่อที่จะนำเสนอเทคนิคสำหรับระบบข้อเสนอแนะ ระบบ Recommender คู่มือ [14] ถูกตีพิมพ์ในปี 2011 และจะมีชุดของเอกสารที่โอบกอดโดยห้าหัวข้อ: เทคนิคการประยุกต์ใช้และการประเมินผลระบบคำแนะนำ; คำแนะนำการปฏิสัมพันธ์ระบบ ระบบข้อเสนอแนะและชุมชน และขั้นตอนวิธีขั้นสูง การศึกษานี้เน้นวิชาที่ประกอบด้วยฐานของระบบคำแนะนำ, และมันได้ถูกนำมาใช้เป็นข้อมูลอ้างอิงเพื่อการประยุกต์ใช้และการพัฒนาของวิธีการของคำแนะนำที่จะใช้ในการวิจัยของเรา. การทำงานของซูและ Khoshgoftaar [16] นำเสนอหลายเทคนิคของการร่วมมือการกรอง(CF) ซึ่งเป็นหนึ่งใน. วิธีการที่ประสบความสำเร็จมากที่สุดในการสร้างระบบข้อเสนอแนะโดยอธิบายส่วนใหญ่ข้อดีและข้อเสียที่ผู้เขียนระบุเทคนิคที่สำคัญที่สุดของ CF: หน่วยความจำที่ใช้รูปแบบที่ใช้และไฮบริด (รวมครั้งแรกที่สอง) . หนึ่งในความท้าทายคือการสร้างแบบจำลองปัจจุบันของพฤติกรรมของผู้ใช้ ระบบคำแนะนำจะขึ้นอยู่กับโปร