item-similarity. Suppose that a par

item-similarity. Suppose that a particular item is predicted
perfectly by a subset of the neighbors. In that
case, we would want the predictive subset to receive
all the weight, but that is impossible for bounded similarity
scores like the Pearson correlation coefficient.
2. Previous neighborhood-based methods do not account
for interactions among neighbors. Each similarity between
an item and a neighbor is computed
independently of the content of and the
othersimilarities: for . For example,
suppose that our items are movies, and the neighbors
set contains three movies that are highly correlated
with each other (e.g., sequelssuch as “Lord of the
Rings 1–3”). An algorithm that ignores the similarity
of the three movies when determining their interpolation
weights, may end up essentially triple counting the
information provided by the group.
3. By definition, the interpolation weights sum to one,
which may cause overfitting. Suppose that an item
has no useful neighbors rated by a particular user. In
that case, it would be best to ignore the neighborhood
information, staying with the current data normalization.
Nevertheless, the standard neighborhood formula
uses a weighted average of ratings for the uninformative
neighbors.
4. Neighborhood methods may not work well if variability
differs substantially among neighbors.
In a recent work [2], we overcame most of these shortcomings,
but the resulting algorithm was several orders
of magnitude slower than previous neighborhood-methods,
thereby limiting its practical applicability. In this work, we
address the aforementioned issues of neighborhood based
approaches, without compromising running time efficiency.

Kết quả (Việt) 1:

mục-giống nhau. Giả sử rằng một mục cụ thể là dự đoánhoàn toàn bởi một tập hợp con của những người hàng xóm. Trong đótrường hợp, chúng tôi muốn tập hợp con tiên đoán để nhận đượcTất cả trọng lượng, nhưng điều đó là không thể cho giáp tương tựđiểm giống như hệ số tương quan Pearson.2. trước khu phố dựa trên phương pháp tínhcho tương tác giữa các nước láng giềng. Mỗi giống nhau giữamột mục và một người hàng xóm là tính toánđộc lập với nội dung và cácothersimilarities: cho. Ví dụ:giả sử rằng chúng tôi mục phim ảnh, và những người hàng xómbộ gồm ba phim được tương quan caovới nhau (ví dụ: sequelssuch như là "Chúa tể của cácVòng 1-3"). Một thuật toán mà bỏ qua sự giống nhauphim ba khi xác định của phép nội suytrọng lượng, có thể kết thúc cơ bản ba đếm cácthông tin được cung cấp bởi nhóm.3. theo định nghĩa, tổng trọng lượng nội suy một,đó có thể gây ra overfitting. Giả sử rằng một mụcđã không có nước láng giềng hữu ích xếp bởi người dùng cụ thể. Ởtrường hợp đó, nó sẽ là tốt nhất để bỏ qua các khu phốthông tin ở với chuẩn hóa dữ liệu hiện tại.Tuy nhiên, công thức tiêu chuẩn khu phốsử dụng một trung bình trọng số xếp hạng cho các uninformativengười hàng xóm.4. khu phố phương pháp không thể làm việc tốt nếu biến đổikhác biệt đáng kể giữa các nước láng giềng.Trong một tại làm việc [2], chúng tôi đã vượt qua hầu hết những thiếu sót,nhưng các thuật toán kết quả đã là nhiều đơn đặt hàngđộ chậm hơn so với phương pháp khu phố trước đó,do đó hạn chế tính ứng dụng thực tế của nó. Trong tác phẩm này, chúng tôiđịa chỉ các vấn đề nói trên của khu dựaphương pháp tiếp cận mà không ảnh hưởng đến chạy thời gian hiệu quả.

Kết quả (Việt) 2:

item giống nhau. Giả sử rằng một mặt hàng cụ thể được dự đoán
hoàn toàn bởi một tập hợp con của những người hàng xóm. Trong đó
trường hợp, chúng tôi muốn tập con dự đoán để nhận được
tất cả các trọng lượng, nhưng điều đó là không thể đối với tương bounded
điểm số như hệ số Pearson tương quan.
2. Phương pháp khu phố dựa trên trước không hạch toán
cho tương tác giữa các nước láng giềng. Mỗi giống nhau giữa
một mục và một người hàng xóm được tính
độc lập của các nội dung và các
othersimilarities: cho. Ví dụ,
giả sử rằng các mặt hàng của chúng tôi là phim ảnh, và những người hàng xóm
đặt chứa ba bộ phim liên quan chặt chẽ
với nhau (ví dụ, sequelssuch như "Chúa tể của những
chiếc nhẫn 1-3"). Một thuật toán mà bỏ qua sự giống nhau
của ba bộ phim khi xác định nội suy của họ
trọng lượng, có thể kết thúc cơ bản ba đếm
thông tin được cung cấp bởi nhóm.
3. Theo định nghĩa, các trọng suy cộng lại thành một,
mà có thể gây ra overfitting. Giả sử rằng một mục
không có người láng giềng hữu ích được đánh giá bởi một người dùng cụ thể. Trong
trường hợp đó, nó sẽ là tốt nhất để bỏ qua các khu phố
thông tin, ở lại với bình thường hóa dữ liệu hiện tại.
Tuy nhiên, công thức khu phố tiêu chuẩn
sử dụng bình quân gia quyền của các xếp hạng cho không đủ thông tin
hàng xóm.
4. Phương pháp Vùng lân cận có thể không làm việc tốt nếu thay đổi
về bản chất khác trong xóm.
Trong một nghiên cứu gần đây [2], chúng tôi đã vượt qua hầu hết những thiếu sót,
nhưng các thuật toán kết quả đã được một số đơn đặt hàng
của các cường độ chậm hơn so với khu vực lân cận các phương pháp trước đây,
do đó hạn chế khả năng ứng dụng thực tế của nó. Trong tác phẩm này, chúng ta
giải quyết những vấn đề nói trên của khu phố dựa trên
phương pháp tiếp cận, mà không ảnh hưởng hoạt động hiệu quả thời gian.