(3) determination of interpolation

(3) determination of interpolation weights. Our experience
has shown little difference among neighbor selection strategies
(e.g., distance-based vs. correlation-based). However,
the two other components, namely data normalization and
interpolation weights, have proved vital to the success of
the scheme. Accordingly, we revisit these two components
and suggest novel methods to significantly improve the accuracy
of kNN approaches without meaningfully affecting
running time. Our three main contributions are:
1. It is customary to normalize the data before activating
a kNN method. This brings different ratings to a closer
level, which allows a better mixing thereof. Usually
this is achieved by adjusting for the varying mean ratings
across users and/or items. In Section 3 we offer a
more comprehensive normalization that considers additional
effects that are readily available in virtually all
ratings datasets. This allows us to explain and eliminate
much of the interfering variability from the data
and to work with residuals that are more amenable to
mutual interpolation.
2. Past kNN methods relate items (or users) by various
heuristic variants of correlation coefficients, which allowed
direct interpolation from neighbors’ scores. In
Section 4 we offer a rigorous alternative to these interpolation
weights based on global optimization of a cost
function pertaining to all weights simultaneously. This
results in another improvement of estimation quality
with a minor increase in running time.
3. The kNN approach can capitalize on two different
kinds of information: item-item, how the subject user
rated similar items; and user-user, how the subject item
was rated by like-minded users. Because there typically
are many more users than items in a system, the
user-oriented approach is known as slower and less accurate.
In Section 5 we discuss benefits of also employing
a user-oriented approach, and we offer a novel
method for alleviating the inherent computational dif-
ficulties of the user-oriented approach.
An encouraging evaluation of the results on the Netflix
Prize user-movie dataset [3] is provided in Section 6.

Kết quả (Việt) 1:

(3) xác định khối lượng nội suy. Kinh nghiệm của chúng tôicó hiển thị các khác biệt nhỏ trong số hàng xóm lựa chọn chiến lược(ví dụ, dựa trên khoảng cách so với dựa trên sự tương quan). Tuy nhiên,Các hai thành phần khác, cụ thể là dữ liệu bình thường vàtrọng lượng nội suy, đã chứng minh rất quan trọng cho sự thành công củaCác đề án. Theo đó, chúng tôi xem xét lại hai thành phầnvà đề nghị các phương pháp mới lạ để cải thiện đáng kể tính chính xáckNN phương pháp tiếp cận mà không ảnh hưởng có ý nghĩathời gian chạy. Chúng tôi đóng góp chính ba là:1. nó là phong tục để bình thường hóa các dữ liệu trước khi kích hoạtmột phương pháp kNN. Điều này mang đến cho các xếp hạng khác nhau để một gần gũi hơncấp, cho phép một pha trộn tốt hơn đó. Thông thườngĐiều này đạt được bằng cách điều chỉnh cho việc xếp hạng trung bình khác nhauqua người dùng và/hoặc khoản mục. Trong phần 3 chúng tôi cung cấp mộtbình thường hóa toàn diện hơn sẽ xem xét bổ sunghiệu ứng có sẵn trong hầu như tất cảXếp hạng datasets. Điều này cho phép chúng tôi để giải thích và loại bỏphần lớn sự biến đổi interfering từ các dữ liệuvà để làm việc với dư được hơn amenable đểnội suy lẫn nhau.2. qua kNN phương pháp liên hệ mặt hàng (hoặc người dùng) của nhiều nghệ sĩCác biến thể heuristic của hệ số tương quan phépmột vài từ trực tiếp từ hàng xóm điểm. ỞChúng tôi cung cấp một thay thế nghiêm ngặt để nội suy phần 4trọng lượng dựa trên tối ưu hóa toàn cầu của một chi phíchức năng liên quan đến trọng lượng tất cả cùng một lúc. Điều nàykết quả trong các cải tiến khác của chất lượng dự toánvới sự gia tăng nhỏ trong thời gian chạy.3. phương pháp tiếp cận kNN có thể tận dụng hai khác nhauCác loại thông tin: mục-mục, làm thế nào người sử dụng chủ đềXếp hạng mục tương tự; người dùng-người dùng, và làm thế nào chủ đề mụcđược đánh giá bởi like-minded người dùng. Bởi vì có thông thườnglà nhiều người dùng hơn so với các mục trong một hệ thống, cáccách tiếp cận người dùng theo định hướng được gọi là chậm hơn và ít chính xác hơn.Trong phần 5, chúng tôi thảo luận về lợi ích của việc sử dụng cũngmột cách tiếp cận người dùng theo định hướng, và chúng tôi cung cấp một cuốn tiểu thuyếtCác phương pháp để giảm bớt cấ vốn có tính toán-ficulties tiếp cận người dùng theo định hướng.Một đánh giá khuyến khích của các kết quả trên NetflixBộ dữ liệu người dùng-phim đoạt giải [3] được cung cấp trong phần 6.

Kết quả (Việt) 2:

(3) Xác định khối lượng nội suy. Kinh nghiệm của chúng tôi
đã chỉ ra sự khác biệt nhỏ giữa các chiến lược lựa chọn hàng xóm
(ví dụ, khoảng cách dựa trên so với tương quan-based). Tuy nhiên,
hai thành phần khác, cụ thể là bình thường hóa dữ liệu và
nội suy trọng, đã chứng minh quan trọng cho sự thành công của
chương trình này. Theo đó, chúng tôi lại hai thành phần này
và đề xuất phương pháp mới để cải thiện đáng kể độ chính xác
của phương pháp tiếp cận KNN mà không có ý nghĩa ảnh hưởng đến
thời gian chạy. Ba đóng góp chính của chúng tôi là:
1. Đó là phong tục để chuẩn hóa dữ liệu trước khi kích hoạt
một phương pháp KNN. Điều này mang đến xếp hạng khác nhau cho một gần hơn
mức cho phép một tốt hơn trộn hiện. Thông thường
điều này đạt được bằng cách điều chỉnh cho các xếp hạng trung bình khác nhau
trên người sử dụng và / hoặc các mặt hàng. Trong phần 3 chúng tôi cung cấp một
sự bình thường hóa toàn diện hơn mà xem xét thêm
các hiệu ứng có sẵn trong hầu như tất cả các
bộ dữ liệu xếp hạng. Điều này cho phép chúng tôi để giải thích và loại bỏ
phần lớn các biến nhiễu từ các dữ liệu
và làm việc với phần dư được thuận lợi hơn để
suy lẫn nhau.
2. Phương pháp KNN quá khứ liên quan các mặt hàng (hoặc người sử dụng) bởi nhiều
biến thể dựa trên kinh nghiệm của các hệ số tương quan, cho phép
nội suy trực tiếp từ điểm số nước láng giềng. Trong
phần 4, chúng tôi cung cấp một lựa chọn khắt khe để những suy
trọng dựa trên tối ưu hóa toàn cầu của một chi phí
chức năng liên quan đến tất cả các trọng cùng một lúc. Điều này
dẫn đến một sự cải thiện về chất lượng dự toán
với một sự gia tăng nhỏ trong thời gian chạy.
3. Cách tiếp cận KNN có thể tận dụng hai khác nhau
các loại thông tin: mục-mục, làm thế nào người sử dụng đối tượng
đánh giá các mặt hàng tương tự; và người dùng sử dụng, cách mục đối tượng
được đánh giá bởi người sử dụng như đầu óc. Bởi vì có thường
được nhiều người sử dụng hơn các mục trong một hệ thống, các
phương pháp tiếp cận hướng người dùng được gọi là chậm hơn và kém chính xác.
Trong phần 5, chúng tôi thảo luận về lợi ích của việc cũng sử dụng
một cách tiếp cận hướng người sử dụng, và chúng tôi cung cấp một cuốn tiểu thuyết
phương pháp để làm giảm bớt vốn có biệt tính toán
ficulties của cách tiếp cận hướng người sử dụng.
Một đánh giá đáng khích lệ của các kết quả trên Netflix
sử dụng phim bộ dữ liệu giải [3] được cung cấp tại mục 6.