In this work, we apply a clustering

In this work, we apply a clustering technique
to integrate the contents of items
into the item-based collaborative filtering
framework. The group rating information
that is obtained from the clustering result
provides a way to introduce content information
into collaborative recommendation
and solves the cold start problem.
Extensive experiments have been conducted
on MovieLens data to analyze the
characteristics of our technique. The results
show that our approach contributes
to the improvement of prediction quality
of the item-based collaborative filtering,
especially for the cold start problem.

ผลลัพธ์ (ไทย) 1:

ในงานนี้ เราใช้เทคนิคระบบคลัสเตอร์การรวมเนื้อหาของรายการในการใช้สินค้าร่วมกันกรองกรอบ ข้อมูลการจัดอันดับกลุ่มที่จะได้รับระบบคลัสเตอร์วิธีการแนะนำเนื้อหาข้อมูลเข้าร่วมแนะนำและแก้ปัญหาเริ่มเย็นได้ดำเนินการทดลองอย่างละเอียดMovieLens ข้อมูลเพื่อวิเคราะห์การลักษณะเทคนิคของเรา ผลลัพธ์แสดงว่า สนับสนุนแนวทางของเราปรับปรุงคุณภาพการคาดเดาการใช้สินค้าร่วมกันกรองโดยเฉพาะอย่างยิ่งสำหรับปัญหาเริ่มเย็น

ผลลัพธ์ (ไทย) 2:

ในงานนี้เราใช้เทคนิคการจัดกลุ่ม
เพื่อบูรณาการเนื้อหาของรายการที่
เป็นรายการการกรองความร่วมมือตาม
กรอบ ข้อมูลคะแนนกลุ่ม
ที่ได้รับผลจากการจัดกลุ่ม
มีวิธีที่จะแนะนำข้อมูลเนื้อหาที่
เป็นข้อเสนอแนะการทำงานร่วมกัน
และแก้ปัญหาที่เกิดขึ้นเริ่มเย็น.
การทดลองอย่างกว้างขวางได้รับการดำเนิน
การกับข้อมูล MovieLens การวิเคราะห์
ลักษณะของเทคนิคของเรา ผล
แสดงให้เห็นว่าวิธีการของเรามีส่วนช่วยใน
การพัฒนาคุณภาพการคาดการณ์
ของการทำงานร่วมกันในการกรองรายการตาม
โดยเฉพาะอย่างยิ่งสำหรับปัญหาเริ่มเย็น

ผลลัพธ์ (ไทย) 3:

ในงานนี้เราใช้เทคนิคการแบ่งกลุ่ม
ที่จะรวมเนื้อหาของรายการในรายการร่วมกัน

กรอบกรองตาม กลุ่มประเมินข้อมูลที่ได้รับจากกลุ่ม

" มีวิธีการแนะนำ

ข้อมูลเนื้อหาที่เป็นข้อเสนอแนะร่วมกันและแก้เย็นเริ่มต้นปัญหา การทดลองอย่างละเอียดได้ดำเนินการ

ข้อมูล movielens วิเคราะห์
ลักษณะของเทคนิคของเรา ผลลัพธ์ที่แสดงให้เห็นว่าวิธีการที่มีส่วนช่วย

เพื่อการปรับปรุงคุณภาพของสินค้าร่วมกันทำนาย

กรองตามโดยเฉพาะอย่างยิ่งสำหรับเย็นเริ่มต้นปัญหา