With the extensive usage of mobile

With the extensive usage of mobile devices in recent years, a particularly rapid growth in movie, video and music resources has taken
place. However, users experience frustration when searching for content that interests them on mobile devices. To solve the problem, many movie recommender systems, such as PocketLens[146] and
CinemaScreen [147], and music recommender systems such as
Flycasting[148], Smart Radio [149],RACOFI[150] and Foafing the
Music[151], have been developed. Because most of these systems
allow users to rate resources, CF recommendation approaches are commonly used in these recommender systems. In some systems, such as
Flycasting[148], users cannot rate music directly, so this system first
translates historical listening information into ratings and then carries
out CF. To address the cold start and sparsity problems of CF approaches,
CB approaches are incorporated in some systems. For example, Melville
et al.[152]utilized CB to overcome the sparsity and first-rate problem.
CinemaScreen[147]also used a CB method to solve cold start problems
in movie recommendation. One feature of movie and music recommender systems is that it is not easy to obtain the content and navigation history from multimedia resources. These resources contain such
features as artist and genre, and how to extract the underlying correlations is an important issue in this area. Model-based approaches like semantic analysis and social network are also integrated into CF. RACOFI
[150]utilizes Semantic Web techniques. Foafing the Music[151]maintains friend of friend profiles which work in a similar way to social networks. CoFoSIM[153], a mobile music recommender system, utilizes
multi-criteria decision-making (MCDM) techniques to analyze the implicit feedback and partial listening records, and aggregates them into
a composed preference. An interesting aspect of music recommender
systems is that some systems use implicit feedback to augment or replace the explicit ratings from users. For example, both CoFoSIM[153]
and Smart Radio[149] use the listening history to infer their user
ratings.
In general, these resource service recommender systems aim to
organize and manage this type of Web service content and save
users from performing tedious searches. In the tag domain, the CF
method is the dominant recommendation technique. For TV programs, intelligent techniques such as Bayesian classifier, decision
tree and semantic analysis are integrated with CF and CB methods
to implement recommender systems. Recommending contextual
content, such as webpages and documents, is a traditional application
area of CB and CF methods, as well as memory-based approaches, and
model-based approaches, such as Bayesian and clustering techniques,
are all utilized. Social and context-aware techniques play an increasingly important role alongside traditional CB and CF in movie and music
recommendation.

Kết quả (Việt) 1:

Với việc sử dụng rộng rãi của các thiết bị di động trong thời gian qua, một sự tăng trưởng nhanh chóng đặc biệt là trong bộ phim, video và âm nhạc tài nguyên đã đưavị trí. Tuy nhiên, người dùng kinh nghiệm sự thất vọng khi tìm kiếm các nội dung mà lợi ích cho họ trên thiết bị di động. Để giải quyết vấn đề này, nhiều bộ phim các hệ thống, chẳng hạn như PocketLens [146] vàHệ thống các CinemaScreen [147], và âm nhạc chẳng hạn nhưFlycasting [148], thông minh đài phát thanh [149], RACOFI [150] và Foafing cácÂm nhạc [151], đã được phát triển. Bởi vì hầu hết các hệ thốngcho phép người dùng tỷ lệ tài nguyên, CF đề nghị phương pháp thường được sử dụng trong các hệ thống các. Trong một số hệ thống, chẳng hạn nhưFlycasting [148], người dùng không thể tỷ lệ âm nhạc trực tiếp, vì vậy hệ thống này lần đầuchuyển thông tin lịch sử nghe vào xếp hạng và sau đó mangra x. cho địa chỉ bắt đầu lạnh và sparsity các vấn đề về phương pháp tiếp cận CF,Phương pháp tiếp cận CB được tích hợp vào trong một số hệ thống. Ví dụ, Melvilleet al. [152] sử dụng CB vượt qua sparsity và hạng nhất vấn đề.CinemaScreen [147] cũng sử dụng một phương pháp CB để giải quyết vấn đề bắt đầu lạnhtrong bộ phim giới thiệu. Một tính năng của hệ thống các bộ phim và âm nhạc là nó không phải là dễ dàng để có được nội dung và điều hướng lịch sử từ các nguồn tài nguyên đa phương tiện. Các nguồn tài nguyên có chứa như vậyCác tính năng như nghệ sĩ và thể loại, và làm thế nào để trích xuất các mối tương quan nằm bên dưới là một vấn đề quan trọng trong lĩnh vực này. Mô hình dựa trên phương pháp tiếp cận như ngữ nghĩa phân tích và mạng xã hội cũng được tích hợp vào x. RACOFI[150] sử dụng kỹ thuật Semantic Web. Foafing âm nhạc [151] duy trì người bạn của bạn bè các cấu hình mà làm việc trong một cách tương tự như các mạng xã hội. CoFoSIM [153], một hệ thống các điện thoại di động âm nhạc, sử dụngkỹ thuật đa tiêu chí quyết định (MCDM) để phân tích các thông tin phản hồi tiềm ẩn và lắng nghe một phần hồ sơ, và tập hợp chúng vàomột sở thích sáng tác. Một khía cạnh thú vị của các nhạcHệ thống là một số hệ thống sử dụng tiềm ẩn thông tin phản hồi để bổ sung hoặc thay thế các xếp hạng rõ ràng từ người dùng. Ví dụ, cả hai CoFoSIM [153]và Smart Radio [149] sử dụng lịch sử nghe để suy luận người dùng của họXếp hạng.Nói chung, các nguồn tài nguyên hệ thống các dịch vụ nhằm mục đíchtổ chức và quản lý các loại nội dung Web dịch vụ và tiết kiệmngười dùng thực hiện tìm kiếm tẻ nhạt. Trong tên miền từ khóa, CFphương pháp này là kỹ thuật khuyến nghị chủ đạo. Cho chương trình truyền hình, các kỹ thuật thông minh như loại Bayes, quyết địnhcây và ngữ nghĩa phân tích được tích hợp với phương pháp CF và CBđể thực hiện các hệ thống. Giới thiệu theo ngữ cảnhnội dung, chẳng hạn như các trang web và các tài liệu, là một ứng dụng truyền thốngcác khu vực của CB và CF phương pháp, cũng như bộ nhớ dựa trên phương pháp tiếp cận, vàMô hình dựa trên phương pháp tiếp cận, chẳng hạn như Bayes và clustering kỹ thuật,được sử dụng tất cả. Xã hội và bối cảnh, nhận thức kỹ thuật đóng một vai trò ngày càng quan trọng cùng với truyền thống CB và CF phim và âm nhạcđề nghị.

Kết quả (Việt) 2:

Với việc sử dụng rộng rãi các thiết bị di động trong những năm gần đây, tốc độ tăng trưởng đặc biệt nhanh chóng trong bộ phim, video và âm nhạc tài đã đưa
ra. Tuy nhiên, người sử dụng gặp thất vọng khi tìm kiếm các nội dung mà bạn quan tâm họ trên các thiết bị di động. Để giải quyết vấn đề, nhiều hệ thống phim recommender, như PocketLens [146] và
CinemaScreen [147], và các hệ thống tư âm nhạc như
Flycasting [148], Smart Radio [149], RACOFI [150] và Foafing các
nhạc [151] , đã được phát triển. Bởi vì hầu hết các hệ thống này
cho phép người sử dụng để đánh giá các nguồn lực, phương pháp tiếp cận đề nghị CF thường được sử dụng trong các hệ thống tư. Trong một số hệ thống, chẳng hạn như
Flycasting [148], người dùng không thể đánh giá âm nhạc trực tiếp, vì vậy hệ thống này đầu tiên
dịch các thông tin nghe lịch sử vào xếp hạng và sau đó mang
ra CF. Để giải quyết những vấn đề bắt đầu và thưa thớt lạnh của phương pháp tiếp cận CF,
cách tiếp cận CB được kết hợp trong một số hệ thống. Ví dụ, Melville
et al. [152] sử dụng CB để khắc phục thưa thớt và tỷ lệ đầu tiên vấn đề.
CinemaScreen [147] cũng sử dụng một phương pháp CB để giải quyết vấn đề bắt đầu lạnh
trong giới thiệu bộ phim. Một đặc điểm của hệ thống phim và recommender nhạc là nó không phải là dễ dàng để có được nội dung và chuyển hướng lịch sử từ các nguồn đa phương tiện. Các nguồn tài nguyên chứa đầu trang như
các tính năng như nghệ sĩ và thể loại, và làm thế nào để trích xuất các mối tương quan cơ bản là một vấn đề quan trọng trong lĩnh vực này. Phương pháp tiếp cận dựa trên mô hình như phân tích ngữ nghĩa và mạng xã hội cũng được tích hợp vào CF. RACOFI
[150] sử dụng các kỹ thuật của Semantic Web. Foafing Music [151] duy trì người bạn của profile người bạn mà làm việc trong một cách tương tự như các mạng xã hội. CoFoSIM [153], một hệ thống recommender âm nhạc di động, sử dụng
kỹ thuật đa tiêu chí quyết định (MCDM) để phân tích các thông tin phản hồi ngầm và hồ sơ nghe một phần, và tập hợp chúng thành
một sở thích sáng tác. Một khía cạnh thú vị của recommender nhạc
hệ thống là một số hệ thống sử dụng thông tin phản hồi ngầm để tăng thêm hoặc thay thế các xếp hạng rõ ràng từ người sử dụng. Ví dụ, cả CoFoSIM [153]
và Smart Radio [149] sử dụng lịch sử nghe để suy ra người dùng của họ
xếp hạng.
Nhìn chung, các hệ thống dịch vụ tài nguyên recommender nhằm mục đích
tổ chức và quản lý các loại nội dung dịch vụ Web và tiết kiệm
cho người dùng thực hiện tìm kiếm tẻ nhạt . Trong lĩnh vực thẻ, CF
là phương pháp kỹ thuật giới thiệu chi phối. Đối với các chương trình truyền hình, kỹ thuật thông minh như phân loại Bayes, quyết định
cây và phân tích ngữ nghĩa được tích hợp với các phương pháp CF và CB
để thực hiện các hệ thống tư. Khuyến cáo theo ngữ cảnh
nội dung, chẳng hạn như các trang web và các tài liệu, là một ứng dụng truyền thống
khu vực của CB và CF phương pháp, cũng như cách tiếp cận dựa trên bộ nhớ, và
cách tiếp cận dựa trên mô hình, chẳng hạn như các kỹ thuật Bayesian và clustering,
tất cả đều được sử dụng. Kỹ thuật xã hội và nhận biết ngữ cảnh đóng một vai trò ngày càng quan trọng cùng với CB truyền thống và CF trong phim và âm nhạc
giới thiệu.