Recommender systems apply knowledge

Recommender systems apply knowledge discovery techniques
to the problem of making personalized recommendations for
information, products or services during a live interaction.
These systems, especially the k-nearest neighbor collabora-
tive ltering based ones, are achieving widespread success on
the Web. The tremendous growth in the amount of avail-
able information and the number of visitors to Web sites in
recent years poses some key challenges for recommender sys-
tems. These are: producing high quality recommendations,
performing many recommendations per second for millions
of users and items and achieving high coverage in the face of
data sparsity. In traditional collaborative ltering systems
the amount of work increases with the number of partici-
pants in the system. New recommender system technologies
are needed that can quickly produce high quality recom-
mendations, even for very large-scale problems. To address
these issues we have explored item-based collaborative l-
tering techniques. Item-based techniques rst analyze the
user-item matrix to identify relationships between dierent
items, and then use these relationships to indirectly compute
recommendations for users.
In this paper we analyze dierent item-based recommen-
dation generation algorithms. We look into dierent tech-
niques for computing item-item similarities (e.g., item-item
correlation vs. cosine similarities between item vectors) and
dierent techniques for obtaining recommendations from them
(e.g., weighted sum vs. regression model). Finally, we ex-
perimentally evaluate our results and compare them to the
basic k-nearest neighbor approach. Our experiments sug-
gest that item-based algorithms provide dramatically better
performance than user-based algorithms, while at the same
time providing better quality than the best available user-
based algorithms.

ผลลัพธ์ (ไทย) 1:

ผู้แนะนำระบบที่ใช้เทคนิคการค้นพบความรู้การทำให้คำแนะนำส่วนตัวข้อมูล ผลิตภัณฑ์ หรือบริการในระหว่างการโต้ตอบสดระบบเหล่านี้ โดยเฉพาะอย่างยิ่ง k ใกล้บ้าน collabora-tive ltering ตามคน จะบรรลุความสำเร็จอย่างแพร่หลายในเว็บ เติบโตมหาศาลจำนวนประโยชน์-จำนวนผู้เข้าชมเว็บไซต์และข้อมูลที่สามารถปีที่ผ่านมาส่อเค้าบางความท้าทายที่สำคัญสำหรับผู้แนะนำ sys-สิน เหล่านี้: คำแนะนำเกี่ยวกับคุณภาพ การผลิตดำเนินการคำแนะนำหลายต่อวินาทีนับล้านผู้ใช้สินค้า และบรรลุความครอบคลุมสูงใน face ของข้อมูล sparsity ในระบบ ltering แบบร่วมกันจำนวนของงานที่เพิ่มขึ้นกับจำนวนของ partici-กางเกงในระบบ ผู้แนะนำระบบเทคโนโลยีมีความจำเป็นที่สามารถอย่างรวดเร็วผลิต recom คุณภาพ -mendations แม้สำหรับปัญหาขนาดใหญ่มาก ที่อยู่ปัญหาเหล่านี้เราได้สำรวจตามสินค้าร่วม l-tering เทคนิคการ Rst ตามสินค้าเทคนิควิเคราะห์การผู้ใช้สินค้าเมตริกซ์ในการระบุความสัมพันธ์ระหว่าง erent ดิสินค้า และใช้ความสัมพันธ์เหล่านี้จะคำนวณโดยทางอ้อมคำแนะนำสำหรับผู้ใช้ในเอกสารนี้ เราวิเคราะห์ di erent ตามสินค้า recommen-รุ่น dation อัลกอริทึม เราดูในเทคโนโลยี erent di-niques สำหรับการคำนวณสินค้าสินค้าความเหมือน (เช่น รายการสินค้าความสัมพันธ์กับโคไซน์ความเหมือนระหว่างสินค้าเวกเตอร์) และเทคนิค erent ดีสำหรับการได้รับคำแนะนำจากพวกเขา(เช่น ถ่วงน้ำหนักผลเทียบกับแบบจำลองถดถอย) สุดท้าย เราเก่าperimentally ประเมินผลของเรา และเปรียบเทียบกับการวิธีการพื้นฐาน k ใกล้ใกล้เคียง Sug ทดลองของเรา-gest ที่อัลกอริทึมตามสินค้าให้อย่างมากดีกว่าประสิทธิภาพมากกว่าผู้ใช้โดยใช้อัลกอริทึม ในขณะที่เดียวกันเวลาที่ให้คุณภาพดีกว่าสุดมีผู้ใช้อัลกอริทึมการ

ผลลัพธ์ (ไทย) 2:

ระบบ Recommender ใช้เทคนิคการค้นพบความรู้
ในการแก้ไขปัญหาของการทำข้อเสนอแนะส่วนบุคคลสำหรับ
ข้อมูลผลิตภัณฑ์หรือบริการในระหว่างการปฏิสัมพันธ์สด.
ระบบเหล่านี้โดยเฉพาะอย่างยิ่ง k เพื่อนบ้านใกล้ที่สุดร่วมมือ
เชิง ltering คนตามจะประสบความสำเร็จอย่างกว้างขวางบน
เว็บ เติบโตอย่างมากในจำนวนของ avail-
ข้อมูลความสามารถและจำนวนผู้เข้าชมไปยังเว็บไซต์ใน
ปีที่ผ่านมาก่อให้เกิดความท้าทายที่สำคัญสำหรับผู้แนะนำงานระบบ
TEMS เหล่านี้คือ: คำแนะนำการผลิตที่มีคุณภาพสูง,
การแสดงคำแนะนำหลายต่อวินาทีสำหรับล้าน
ของผู้ใช้และรายการและการบรรลุความคุ้มครองที่สูงในการเผชิญกับ
ข้อมูล sparsity ในระบบการทำงานร่วมกันแบบดั้งเดิม ltering
ปริมาณงานที่เพิ่มขึ้นกับจำนวนของส่วนร่วม
กางเกงในระบบ เทคโนโลยีระบบ recommender ใหม่
มีความจำเป็นที่ได้อย่างรวดเร็วสามารถผลิตแนะที่มีคุณภาพสูง
mendations แม้สำหรับปัญหาขนาดใหญ่มาก เพื่อแก้ไข
ปัญหาเหล่านี้เรามีการสำรวจรายการที่ใช้ร่วมกัน L-
เทคนิค Tering เทคนิครายการแรกที่ใช้วิเคราะห์
เมทริกซ์ใช้รายการที่จะระบุความสัมพันธ์ระหว่างดิ? erent
รายการและจากนั้นใช้ความสัมพันธ์เหล่านี้ในการคำนวณทางอ้อม
คำแนะนำสำหรับผู้ใช้.
ในบทความนี้เราจะวิเคราะห์ดิ? erent รายการตามแนะ
ขั้นตอนวิธีการสร้าง dation เรามองเข้าไปในดิ? erent ทิ่
เทคนิคที่คล้ายคลึงกันสำหรับการคำนวณรายการรายการ (เช่นรายการรายการ
ความสัมพันธ์กับความคล้ายคลึงกันระหว่างเวกเตอร์โคไซน์รายการ) และ
ดิ? เทคนิค erent สำหรับการได้รับข้อเสนอแนะจากพวกเขา
(เช่นน้ำหนักรวมกับรูปแบบการถดถอย) . สุดท้ายเราอดีต
perimentally ประเมินผลของเราและเปรียบเทียบพวกเขาไปที่
พื้นฐาน k-ใกล้ที่สุดวิธีเพื่อนบ้าน การทดลองของเรา sug-
เกสว่าอัลกอริทึมที่ใช้รายการให้ดีขึ้นอย่างมาก
ประสิทธิภาพกว่าขั้นตอนวิธีการใช้งานที่ใช้ในขณะที่เดียวกัน
เวลาให้มีคุณภาพที่ดีกว่าที่ผู้ใช้ที่ดีที่สุด
ตามขั้นตอนวิธี

ผลลัพธ์ (ไทย) 3:

แนะนำระบบใช้
เทคนิคค้นพบความรู้ในเรื่องของการแนะนำส่วนบุคคลสำหรับ
ข้อมูลผลิตภัณฑ์หรือบริการระหว่างสดปฏิสัมพันธ์ .
ระบบเหล่านี้ โดยเฉพาะอย่างยิ่งการเพื่อนบ้านใกล้ที่สุด collabora -
tive  ltering ตามคนที่จะประสบความสำเร็จอย่างกว้างขวางใน
เว็บ การเติบโตอย่างมากในจํานวนของกล้อง -
ข้อมูลที่ได้ และจำนวนผู้เข้าชมเว็บไซต์ใน
ที่ผ่านมาท่านบางความท้าทายหลักสำหรับผู้แนะนำ -
sys tems . เหล่านี้คือ : การผลิตข้อเสนอแนะที่มีคุณภาพสูง
แสดงหลายข้อเสนอแนะต่อวินาทีสำหรับล้านของผู้ใช้และรายการ
และความคุ้มครองสูงในหน้า
sparsity ข้อมูล ในแบบดั้งเดิม  ltering ระบบ
)ปริมาณงานที่เพิ่มขึ้นตามจำนวนดังนี้
กางเกงในระบบ
เทคโนโลยีใหม่เป็นระบบแนะนำที่สามารถผลิตที่มีคุณภาพสูง Recom -
mendations แม้แต่ปัญหามากขนาดใหญ่ เพื่อแก้ไขปัญหาเหล่านี้ เราได้สำรวจ
รายการร่วมกัน  L -
tering เทคนิคพื้นฐาน รายการเทคนิค  RST ตามวิเคราะห์
รายการผู้ใช้เมทริกซ์เพื่อระบุความสัมพันธ์ระหว่าง ดิ  erent
รายการ และจากนั้น ใช้ความสัมพันธ์นี้อ้อมแนะนำสำหรับผู้ใช้คอมพิวเตอร์
.
ในกระดาษที่เราวิเคราะห์ ดิ  erent รายการตาม recommen -
SIRS รุ่นอัลกอริธึม เราดูใน ดิ  erent เทค -
niques สำหรับคอมพิวเตอร์ รายการที่คล้ายคลึงกัน ( เช่น รายการ
ความสัมพันธ์กับโคไซน์คล้ายคลึงกันระหว่างเวกเตอร์รายการ ) และ
ดิ  erent เทคนิคสำหรับการได้รับคำแนะนำจากพวกเขา
( เช่น น้ำหนักรวม กับ ตัวแบบการถดถอย ) สุดท้ายเราเก่า --
perimentally ของเราผลประเมินและเปรียบเทียบพวกเขา
พื้นฐานการเพื่อนบ้านใกล้ที่สุดวิธีการ การทดลองของเรา sug -
คับรายการที่ใช้อัลกอริทึมให้มากดีกว่า
ประสิทธิภาพมากกว่าผู้ใช้ตามขั้นตอนวิธี ในขณะเดียวกัน
เวลาที่ให้คุณภาพที่ดีกว่าที่ดีที่สุดของผู้ใช้ -
ตามขั้นตอนวิธี