In most recommender systems, the ut

In most recommender systems, the utility function usually considers a single-
criterion value, e.g., an overall evaluation or rating of an item by a user. In recent
work, this assumption has been considered as limited [2, 4, 48], because the suitability of the recommended item for a particular user may depend on more than one
utility-related aspect that the user takes into consideration when making the choice.
Particularly in systems where recommendations are based on the opinion of others,
the incorporation of multiple criteria that can affect the users’ opinions may lead to
more accurate recommendations.
Thus, the additional information provided by multi-criteria ratings could help
to improve the quality of recommendations because it would be able to represent
more complex preferences of each user. As an illustration, consider the following
example. In a traditional single-rating movie recommender system, user u provides
a single rating for movie i that the user has seen, denoted by R(u, i). Specifically,
suppose that the recommender system predicts the rating of the movie that the user
has not seen based on the movie ratings of other users with similar preferences, who
are commonly referred to as “neighbors” [71]. Therefore, the ability to correctly
determine the users that are most similar to the target user is crucial in order to have
accurate predictions or recommendations. For example, if two users u and u′ have
seen three movies in common, and both of them rated their overall satisfaction from
each of the three movies as 6 out of 10, the two users are considered as neighbors
and the ratings of unseen movies for user u are predicted using the ratings of user
u′.

ผลลัพธ์ (ไทย) 1:

ในระบบผู้แนะนำส่วนใหญ่ ฟังก์ชันอรรถประโยชน์มักจะพิจารณาเดียว-เกณฑ์ค่า เช่น การประเมินฯ หรือจัดรายการโดยผู้ใช้ ในล่าสุดงาน อัสสัมชัญนี้ได้รับการพิจารณาเป็นจำกัด [2, 4, 48], เนื่องจากความเหมาะสมของสินค้าแนะนำสำหรับผู้ใช้เฉพาะขึ้นมากกว่าหนึ่งยูทิลิตี้ที่เกี่ยวข้องด้านที่ผู้ใช้จะพิจารณาเมื่อทำการเลือกโดยเฉพาะอย่างยิ่งในระบบที่แนะนำจะขึ้นอยู่กับความเห็นของผู้อื่นจดทะเบียนของหลายเงื่อนไขที่อาจมีผลต่อความคิดเห็นของผู้ใช้อาจทำให้คำแนะนำที่ถูกต้องมากขึ้นดังนั้น ช่วยให้ข้อมูลเพิ่มเติมจากผู้จัดอันดับหลายเงื่อนไขการปรับปรุงคุณภาพของคำแนะนำเนื่องจากมันจะสามารถเป็นตัวแทนกำหนดลักษณะที่ซับซ้อนของแต่ละผู้ใช้ เป็นภาพประกอบ พิจารณาต่อไปนี้ตัวอย่างการ ในแบบเดี่ยวระบบการจัดอันดับภาพยนตร์ผู้แนะนำ ให้ผู้ใช้ uคะแนนเดียวสำหรับภาพยนตร์ฉันที่เห็นผู้ใช้ สามารถบุโดย R(u, i) Specificallyสมมติว่า ระบบผู้แนะนำทำนายคะแนนของภาพยนตร์ที่ผู้ใช้ยังไม่เห็นตามในการจัดอันดับภาพยนตร์ของคนอื่น ๆ มีลักษณะคล้ายกัน ที่โดยทั่วไปอย่างเป็น "เพื่อนบ้าน" [71] ดังนั้น ความสามารถในการได้อย่างถูกต้องกำหนดผู้ใช้ที่สุดกับผู้ใช้เป้าหมายเป็นสิ่งสำคัญเพื่อให้มีคาดคะเนถูกต้องหรือคำแนะนำ ตัวอย่างเช่น ถ้าผู้ใช้สองคนคุณและ you′ ได้ภาพยนตร์สามเห็นร่วมกัน และทั้งสองอย่างให้คะแนนความพึงพอใจโดยรวมจากแต่ละของภาพยนตร์สาม 6 จาก 10 ถือผู้ใช้สองคนเป็นเพื่อนบ้านและการจัดอันดับภาพยนตร์ unseen สำหรับผู้ใช้คุณจะทำนายโดยใช้การจัดอันดับของผู้ใช้u′

ผลลัพธ์ (ไทย) 2:

ในที่สุดระบบ recommender ฟังก์ชั่นยูทิลิตี้มักจะพิจารณาเดียว
ค่าเกณฑ์เช่นการประเมินผลโดยรวมหรือการจัดอันดับของรายการโดยผู้ใช้ เมื่อเร็ว ๆ นี้ใน
การทำงานสมมติฐานนี้ได้รับการพิจารณาเป็น จำกัด [2, 4, 48] เพราะความเหมาะสมของรายการที่ขอแนะนำสำหรับผู้ใช้โดยเฉพาะอย่างยิ่งอาจขึ้นอยู่กับมากกว่าหนึ่ง
ด้านสาธารณูปโภคที่เกี่ยวข้องกับว่าผู้ใช้จะใช้เวลาในการพิจารณาเมื่อการเลือก .
โดยเฉพาะอย่างยิ่งในระบบการให้คำแนะนำที่จะขึ้นอยู่กับความเห็นของคนอื่น ๆ
รวมตัวกันของหลายเกณฑ์ที่สามารถส่งผลกระทบต่อความคิดเห็นของผู้ใช้อาจนำไปสู่
​​คำแนะนำที่ถูกต้องมากขึ้น.
ดังนั้นข้อมูลเพิ่มเติมให้ตามเกณฑ์การจัดอันดับหลายสามารถช่วย
ในการปรับปรุงคุณภาพ คำแนะนำเพราะมันจะสามารถเป็นตัวแทนของ
การตั้งค่าที่ซับซ้อนมากขึ้นของผู้ใช้แต่ละคน เป็นภาพพิจารณาดังต่อไปนี้
เช่น ในภาพยนตร์เรื่องคะแนนเดียวแบบดั้งเดิมระบบ recommender ผู้ใช้ยูให้
คะแนนเดียวสำหรับภาพยนตร์ผมว่าผู้ใช้ที่ได้เห็นแสดงโดย R (มึงฉัน) ไฟ speci ถอนรากถอนโคน
คิดว่าระบบ recommender คาดการณ์คะแนนของหนังที่ผู้ใช้
ยังไม่ได้เห็นจากการให้คะแนนภาพยนตร์ของผู้ใช้อื่น ๆ ที่มีการตั้งค่าที่คล้ายกันที่
มักจะถูกเรียกว่า "เพื่อนบ้าน" [71] ดังนั้นความสามารถในการได้อย่างถูกต้อง
ตรวจสอบผู้ใช้ที่มีความใกล้เคียงกับผู้ใช้เป้าหมายเป็นสิ่งสำคัญเพื่อให้มี
การคาดการณ์หรือคำแนะนำที่ถูกต้อง ตัวอย่างเช่นถ้าผู้ใช้ที่สองยูและ u 'ได้
เห็นสามภาพยนตร์ที่เหมือนกันและทั้งสองของพวกเขาจัดอันดับความพึงพอใจโดยรวมของพวกเขาจาก
แต่ละสามภาพยนตร์ 6 จาก 10 ผู้ใช้สองคนถือเป็นเพื่อนบ้าน
และการให้คะแนนของภาพยนตร์ที่มองไม่เห็น สำหรับผู้ใช้ยูมีการคาดการณ์โดยใช้การจัดอันดับของผู้ใช้
ยู '

ผลลัพธ์ (ไทย) 3:

ในการแนะนำระบบส่วนใหญ่ มักจะพิจารณาฟังก์ชันอรรถประโยชน์เดียว -
เกณฑ์คุณค่า เช่น คะแนนการประเมินโดยรวมของสินค้าโดยผู้ใช้ ในงานล่าสุด
, สมมติฐานนี้ได้รับถือว่าเป็น Limited [ 2 , 4 , 48 ) เพราะความเหมาะสมของอาหารแนะนำสำหรับผู้ใช้โดยเฉพาะ อาจขึ้นอยู่กับมากกว่าหนึ่ง
ที่เกี่ยวข้องด้านสาธารณูปโภคที่ผู้ใช้ใช้ในการพิจารณาเมื่อตัดสินใจ โดยเฉพาะในระบบที่
ข้อเสนอแนะตามความคิดเห็นของผู้อื่น
การรวมตัวของหลายเงื่อนไขที่มีผลต่อความคิดเห็นของผู้ใช้อาจนำไปสู่

แนะนำถูกต้องมากขึ้น ดังนั้น ข้อมูลเพิ่มเติมให้ โดยหลายเกณฑ์คะแนนช่วย
เพื่อปรับปรุงคุณภาพของข้อเสนอแนะเพราะว่ามันสามารถเป็นตัวแทนของ
ซับซ้อนมากขึ้นลักษณะของผู้ใช้แต่ละคน ภาพประกอบ พิจารณา
ตัวอย่างต่อไปนี้ ในแบบเดี่ยวอันดับภาพยนตร์แนะนำระบบให้ผู้ใช้ U
อันดับเดียวสำหรับหนังที่ผู้ใช้เห็นเขียนแทนด้วย R ( U ฉัน ) กาจึง CALLY
,คิดว่าแนะนำระบบคาดการณ์คะแนนของภาพยนตร์ที่ผู้ใช้
ไม่เคยเห็นตามหนัง จำกัด ผู้ใช้อื่น ๆที่มีลักษณะคล้ายกัน ใคร
จะเรียกโดยทั่วไปว่าเป็น " เพื่อนบ้าน " [ 71 ] ดังนั้น ความสามารถในการอย่างถูกต้อง
ตรวจสอบผู้ใช้ที่คล้ายกันมากที่สุด เพื่อให้ผู้ใช้เป้าหมายเป็นสิ่งสำคัญเพื่อที่จะได้
ทำนายถูกต้องหรือข้อเสนอแนะ ตัวอย่างเช่นถ้าผู้ใช้สองคน u และ MBC ได้
เห็นสามภาพยนตร์ในทั่วไป , และทั้งสองของพวกเขามีความพึงพอใจโดยรวมของพวกเขาจาก
แต่ละสามภาพยนตร์เป็น 6 จาก 10 สองผู้ใช้ถือเป็นเพื่อนบ้าน
และการจัดอันดับของภาพยนตร์มองไม่เห็นสำหรับผู้ใช้ที่คุณคาดการณ์การใช้เครดิตของผู้ใช้
U School .