n offers items to users basedon kno

n offers items to users based
on knowledge about the users, items and/or their relationships. Usually,
KB recommendations retain a functional knowledge base that describes
how a particular item meets a specific user's need, which can be performed
based on inferences about the relationship between a user's
need and a possible recommendation [14]. Case-based reasoning is a
common expression of KB recommendation technique in which casebased
recommender systems represent items as cases and generate
the recommendations by retrieving the most similar cases to the user's
query or profile [24]. Ontology, as a formal knowledge representation
method, represents the domain concepts and the relationships between
those concepts. It has been used to express domain knowledge in recommender
systems [25]. The semantic similarity between items can
be calculated based on the domain ontology [26].
2.4. Hybrid recommendation techniques
To achieve higher performance and overcome the drawbacks of traditional
recommendation techniques, a hybrid recommendation technique
that combines the best features of two or more recommendation
techniques into one hybrid technique has been proposed [27]. According
to Burke [27], there are seven basic hybridization mechanisms of combinations
used in recommender systems to build hybrids: weighted [28],
mixed [29], switching [30], feature combination, feature augmentation
[31,32], cascade [14] and meta-level [33]. The most common practice
in the existing hybrid recommendation techniques is to combine the
CF recommendation techniques with the other recommendation techniques
in an attempt to avoid cold-start, sparseness and/or scalability
problems [3,34].
2.5. Computational intelligence-based recommendation techniques
Computational intelligence (CI) techniques include Bayesian techniques,
artificial neural networks, clustering techniques, genetic algorithms
and fuzzy set techniques. In recommender systems, these
computational intelligence techniques are widely used to construct recommendation
models.
A Bayesian classifier is a probabilistic methodology for solving classi-
fication problems. Bayesian classifiers are popular for model-based recommender
systems [35] and are often used to derive the model for CB
recommender systems. When a Bayesian network is implemented in
recommender systems, each node corresponds to an item, and the
states correspond to each possible vote value. In the network, there
will be a set of parent items for each item which represent its best predictors.
A hierarchical Bayesian network has also been introduced as a
framework for combining both CB and CF approaches [36].
An artificial neural network (ANN) is an assembly of inter-connected
nodes and weighted links that is inspired by the architecture of the biological
brain and can be used to construct model-based recommender
systems [35]. Hsu et al. [37] used ANN to construct a TV recommender
system, using the back-propagation neural network method to train a
three-layered neural network. A hybrid recommender system combining
CB and CF was proposed by Christakou et al. [38] to generate precise
recommendations for movies. The content filtering part of the system is
based on a trained ANN representing individual user preferences.
Clustering entails the assignment of items to groups so that items in
the same group are more similar than the items in different groups. Clustering
can be used to reduce the computation cost for finding the knearest
neighbors, for instance in [35]. Xue et al. [39] presented a typical
use of clustering in recommender systems. Their method uses the clusters
for smoothing the unrated data for individual users. The unrated items of
an individual user in a group can be predicted by use of the rating information
from a group of closely related users. Moreover, assuming that
the nearest neighbor should also be in the Top N most similar clusters
to the active user, only the nearest neighbors in the Top N clusters need
to be selected, which enables the system to be scalable. The clustering
technique is also used to address the cold start problem in recommender
systems by grouping items [40]. Ghazanfar and Prügel-Bennett [41] used
clustering algorithms to identify and solve the gray-sheep users' problem.
Genetic algorithms (GA) are stochastic search techniques which are
suitable for parameter optimization problems with an objective function
subject to hard and soft constraints [42]. They have mainly been
used in two aspects of recommender systems [43]: clustering [42] and
14 J. Lu et al. / Decision Support Systems 74 (2015) 12–32
hybrid user models [44]. GA-based K-means clustering is applied to a
real-world online shopping market segmentation case for personalized
recommender systems in [42], resulting in improved segmentation performance.
A genetic algorithm method is presented for obtaining optimal
similarity functions in [43]. The results show that the obtained
similarity functions provide better quality and

Kết quả (Việt) 1:

n cung cấp các mặt hàng để người dùng dựa trênkiến thức về những người sử dụng, các mục và/hoặc các mối quan hệ của họ. Thông thường,KB khuyến nghị giữ một chức năng kiến thức cơ bản mô tảlàm thế nào một mục đặc biệt đáp ứng nhu cầu của người dùng cụ thể, có thể được thực hiệnDựa trên suy luận về mối quan hệ giữa người dùngnhu cầu và đề nghị có thể [14]. Case dựa trên lý luận là mộtCác biểu hiện thường gặp của KB khuyến nghị kỹ thuật trong đó casebasedCác hệ thống đại diện cho các mặt hàng như trường hợp và tạo raCác khuyến nghị bằng cách truy xuất các trường hợp tương tự như đặt cho người dùngtruy vấn hoặc hồ sơ [24]. Ontology, như là một đại diện chính thức kiến thứcphương pháp, đại diện cho khái niệm tên miền và các mối quan hệ giữaCác khái niệm đó. Nó đã được sử dụng để thể hiện kiến thức về các tên miềnHệ thống [25]. Sự tương tự ngữ nghĩa giữa các mục có thểđược tính toán dựa trên các tên miền ontology [26].2.4. lai giới thiệu kỹ thuậtĐể đạt được hiệu suất cao hơn và khắc phục những hạn chế của truyền thốngkỹ thuật khuyến nghị, một kỹ thuật khuyến nghị hybridmà kết hợp các tính năng tốt nhất của hai hoặc nhiều hơn khuyến nghịkỹ thuật thành một lai kỹ thuật đã là đề xuất [27]. TheoBurke [27], có các bảy cơ bản lai ghép cơ chế kết hợpsử dụng trong các hệ thống xây dựng Hybrid: trọng [28],hỗn hợp [29], chuyển đổi [30], tính năng kết hợp, tính năng augmentation[31,32], cascade [14] và siêu cấp [33]. Các thực hành phổ biến nhấttrong lai hiện có đề nghị kỹ thuật là kết hợp cácCF đề xuất kỹ thuật với các kỹ thuật khuyến nghị kháctrong một nỗ lực để tránh bắt đầu lạnh, sparseness và/hoặc khả năng mở rộngvấn đề [3,34].2.5. tính toán thông minh dựa trên đề xuất kỹ thuậtKỹ thuật tính toán thông minh (CI) bao gồm các kỹ thuật Bayes,mạng nơ-ron nhân tạo, kỹ thuật, di truyền các thuật toán clusteringvà kỹ thuật thiết lập mờ. Trong các hệ thống, cáckỹ thuật tính toán trí tuệ được sử dụng rộng rãi để xây dựng đề nghịCác mô hình.Một loại Bayes là một phương pháp xác suất để giải quyết vu-fication vấn đề. Máy phân loại Bayes được phổ biến cho các mô hình dựa trên cácHệ thống [35] và được thường được sử dụng để lấy được các mô hình cho CBCác hệ thống. Khi một mạng Bayes được thực hiện trongCác hệ thống, mỗi nút tương ứng với một mục, và cáckỳ tương ứng với mỗi giá trị có thể bỏ phiếu. Trong mạng lưới,sẽ có một tập hợp các phụ huynh cho mỗi khoản mục mà đại diện cho dự đoán tốt nhất của nó.Một mạng Bayes phân cấp cũng đã được giới thiệu như là mộtCác phụ kiện kết hợp các phương pháp tiếp cận CB và CF [36].Một mạng nơ-ron nhân tạo (ANN) là một hội đồng các liên kết nốicác nút và các liên kết trọng lấy cảm hứng từ kiến trúc sinh họcnão và có thể được sử dụng để xây dựng mô hình dựa trên cácHệ thống [35]. HSU et al. [37] ANN sử dụng để xây dựng các TVHệ thống, bằng cách sử dụng các phương pháp tuyên truyền trở lại mạng nơ-ron để đào tạo mộtba lớp mạng nơ-ron. Một kết hợp các kết hợp hệ thốngCB và CF đã được đề xuất bởi Christakou et al. [38] để tạo ra chính xáckiến nghị cho phim. Nội dung lọc một phần của hệ thốngDựa trên một ANN được đào tạo, đại diện cho sở thích cá nhân người dùng.Cụm đòi hỏi sự phân công của các khoản mục vào nhóm vì vậy mà các mục trongcùng một nhóm cũng tương tự như nhiều hơn các khoản mục trong nhóm khác nhau. Clusteringcó thể được sử dụng để giảm chi phí tính toán cho việc tìm kiếm knearesthàng xóm, ví dụ trong [35]. Xue et al. [39] trình bày một điển hìnhsử dụng các cụm trong các hệ thống. Phương pháp của họ sử dụng những cụmlàm mịn các dữ liệu không xếp loại đối với người dùng cá nhân. Các mặt hàng không xếp loạimột người dùng cá nhân trong một nhóm có thể được dự đoán bằng cách sử dụng thông tin đánh giátừ một nhóm người dùng liên quan chặt chẽ. Hơn nữa, giả định rằngnhững người hàng xóm gần nhất cũng nên thành cụm giống nhất đầu Nđể người sử dụng đang hoạt động, chỉ là những người hàng xóm gần nhất trong N đầu cụm cầnđể được lựa chọn, mà cho phép hệ thống có khả năng mở rộng. Các cụmkỹ thuật cũng được sử dụng để giải quyết vấn đề bắt đầu lạnh ở cácHệ thống bằng cách nhóm mặt hàng [40]. Ghazanfar và Prügel-Bennett [41] sử dụngcụm các thuật toán để xác định và giải quyết vấn đề của người dùng màu xám-cừu.Thuật toán di truyền (GA) là kỹ thuật tìm kiếm ngẫu nhiên đượcthích hợp cho các thông số tối ưu hóa vấn đề với một hàm mục tiêutùy thuộc vào hạn chế cứng và mềm [42]. Họ chủ yếu là cóđược sử dụng trong hai khía cạnh của các hệ thống [43]: clustering [42] và14 J. Lu et al. / quyết định hỗ trợ hệ thống 74 (2015) 12-32Các mô hình lai người dùng [44]. GA dựa trên phương tiện K clustering được áp dụng cho mộtthực thế giới trực tuyến mua sắm thị trường phân khúc trường hợp đối với cá nhân hoáCác hệ thống [42], kết quả trong cải thiện hiệu suất phân đoạn.Một phương pháp thuật toán di truyền được trình bày cho việc tối ưuCác chức năng tương tự trong [43]. Kết quả cho thấy rằng các thu đượctương tự chức năng cung cấp chất lượng tốt hơn và