see [8] for a good analysis. In ord

see [8] for a good analysis. In order to estimate the unknown
rating , we resort to a set of users that tend to rate
similarly to (“neighbors”), and that actually rated item
(i.e., is known for each ).
The predicted value of is taken as a weighted average
of the neighbors’ ratings:
(1)
An analogous alternative to the user-oriented approach
is the item-oriented approach [11, 15]. In those methods, to
estimate the unknown , we identify a set of neighboring
items that other users tend to rate similarly to their
rating of . All items in must have been rated by .
Then, in parallel to (1), the estimated value of is taken
as a weighted average of the ratings of neighboring items:
(2)
The similarities—denoted by or —play a central
role here, as they are used both for selecting the neighbors
and for weighting the above averages. Common choices are
the Pearson correlation coefficient and the closely related
cosine similarity. Methods also differ by how they normalize
or center data prior to activating interpolation rule (1)
or (2). For example, correcting for user-specific means can
improve prediction quality. We present a more comprehensive
treatment of data normalization in Section 3. Sarwar
et al. [15] found that item-oriented approaches deliver better
quality estimates than user-oriented approaches while allowing
more efficient computations. The greater efficiency
occurs because, typically, the number of items is signifi-
cantly lower than the number of users, which allows precomputing
all item-item similarities for retrieval as needed.
Neighborhood-based methods became very popular because
they are intuitive and relatively simple to implement.
In particular, they do not require tuning many parameters
or an extensive training stage. They also provide a concise
and intuitive justification for the computed predictions. This
enables presenting the user a list of similar items that he or
she has previously rated, as the basis for the estimated rating.
This way, the user actually understands the reasoning
behind the recommendation, allowing him/her to better assess
its relevance (e.g., downgrade the estimated rating if it
is based on an item that he or she no longer likes), or even
encourage the user to alter outdated ratings.
However, standard neighborhood-based methods raise
some concerns:
1. The similarity function ( or ), which directly de-
fines the interpolation weights, is arbitrary. Various
CF algorithms use somewhat different similarity measures,
trying to quantify the elusive notion of user- or

Kết quả (Việt) 1:

xem [8] một phân tích tốt. Để ước lượng không rõđánh giá, chúng tôi nghỉ mát vào một tập hợp các người dùng có xu hướng đánh giátương tự với ("hàng xóm"), và đó thực sự xếp hạng mục(ví dụ, được biết đến với mỗi người).Giá trị dự đoán được thực hiện như là một trung bình trọngXếp hạng những người hàng xóm:(1)Một sự thay thế tương tự như phương pháp tiếp cận người dùng theo định hướnglà theo định hướng mục phương pháp [11, 15]. Trong các phương pháp đó, đểước lượng không rõ, chúng tôi xác định một tập hợp các nước láng giềngcác mục khác người dùng có xu hướng để tỷ lệ tương tự như vậy đến của họđánh giá của. Tất cả các mục trong phải được xếp hạng bởi.Sau đó, song song với (1), giá trị ước tính của được thực hiệnnhư là một trung bình là xếp hạng của láng giềng mục trọng:(2)Những điểm tương đồng-ký hiệu bằng hoặc — chơi một miền trungvai trò ở đây, như chúng được sử dụng cả cho việc lựa chọn những người hàng xómvà cho nặng trên trung bình. Sự lựa chọn phổ biếnHệ số tương quan Pearson và liên quan chặt chẽcô sin tương tự. Phương pháp cũng khác nhau bằng cách làm thế nào họ bình thường hóahoặc trung tâm dữ liệu trước khi kích hoạt quy tắc nội suy (1)hoặc (2). Ví dụ, điều chỉnh cho người dùng cụ thể có nghĩa là có thểcải thiện chất lượng của dự báo. Chúng tôi trình bày một toàn diện hơnđiều trị các dữ liệu bình thường trong phần 3. Sarwaret al. [15] tìm thấy rằng phương pháp tiếp cận theo định hướng mục cung cấp tốt hơnchất lượng ước tính hơn so với phương pháp tiếp cận người dùng theo định hướng trong khi cho phéptính toán hiệu quả hơn. Hiệu quả cao hơnxảy ra bởi vì, thông thường, số lượng các mục signifi-cantly thấp hơn số lượng người dùng, cho phép precomputingTất cả mục-mục tương tự cho thu hồi khi cần thiết.Khu phố dựa trên phương pháp đã trở thành rất phổ biến vìhọ là trực quan và tương đối đơn giản để thực hiện.Đặc biệt, họ không yêu cầu điều chỉnh rất nhiều thông sốhoặc một giai đoạn đào tạo rộng rãi. Họ cũng cung cấp một súc tíchvà trực quan biện minh cho việc dự đoán tính. Điều nàycho phép trình bày cho người dùng một danh sách tương tự ghi rằng ông hoặccô đã từng đánh giá, làm cơ sở cho việc đánh giá ước tính.Bằng cách này, người dùng thực sự hiểu được những lý luậnđằng sau các khuyến nghị, cho phép anh ta/cô để tốt hơn đánh giámức độ liên quan của nó (ví dụ, hạ cấp các xếp hạng ước tính nếu nóDựa trên một mục mà anh ấy hoặc cô ấy không thích), hoặc thậm chíkhuyến khích người dùng thay đổi xếp hạng đã lỗi thời.Tuy nhiên, phương pháp tiêu chuẩn khu phố nâng caomột số lo ngại:1. sự tương tự chức năng (hoặc), mà trực tiếp de -Fines trọng nội suy, tùy ý. Khác nhauCF thuật toán sử dụng các biện pháp khác nhau một chút tương tự,cố gắng để định lượng khái niệm khó nắm bắt của người dùng - hay

Kết quả (Việt) 2:

xem [8] cho một phân tích tốt. Để ước tính chưa biết
giá, chúng tôi nhờ đến một tập người dùng có xu hướng đánh giá
tương tự ( "láng giềng"), và rằng mục thực sự đánh giá
(tức là, được biết đến với mỗi người).
Các giá trị dự đoán của được thực hiện như là một trọng trung bình
xếp hạng của hàng xóm:
(1)
Một sự thay thế tương tự với cách tiếp cận hướng người sử dụng
là cách tiếp cận mục định hướng [11, 15]. Trong các phương pháp đó, để
ước tính không rõ, chúng tôi xác định một tập hợp các nước láng giềng
mục mà người dùng khác có xu hướng đánh giá tương tự như họ
đánh giá của. Tất cả các mục trong phải được đánh giá bằng.
Sau đó, song song với (1), giá trị ước tính được thực hiện
như một bình quân gia quyền của các đánh giá của các mặt hàng lân cận:
(2)
Các điểm tương đồng, ký hiệu hoặc -play một trung tâm
vai trò ở đây , khi chúng được sử dụng cho cả việc lựa chọn những người hàng xóm
và nặng từ mức trung bình trên. Sự lựa chọn phổ biến là
sự tương quan hệ số Pearson và liên quan chặt chẽ
cosin tương tự. Phương pháp cũng khác nhau bởi cách họ bình thường
hoặc trung tâm dữ liệu trước khi kích hoạt quy tắc nội suy (1)
hoặc (2). Ví dụ, điều chỉnh cho các phương tiện sử dụng đặc biệt có thể
nâng cao chất lượng dự báo. Chúng tôi trình bày một cách toàn diện hơn
điều trị chuẩn hóa dữ liệu trong Phần 3. Sarwar
et al. [15] thấy rằng phương pháp tiếp cận mục định hướng cung cấp tốt hơn
ước tính chất lượng hơn so với các phương pháp sử dụng định hướng trong khi cho phép
tính toán hiệu quả hơn. Hiệu quả lớn hơn
xảy ra vì thông thường, số lượng các mặt hàng là signifi-
đáng thấp hơn so với số lượng người dùng, cho phép precomputing
tất cả tương mục-mục để thu hồi khi cần thiết.
Phương pháp Vùng lân cận dựa trên trở nên rất phổ biến bởi vì
họ là trực quan và tương đối đơn giản để thực hiện.
Đặc biệt, họ không yêu cầu điều chỉnh các thông số
hoặc một giai đoạn đào tạo nhiều. Họ cũng cung cấp một súc tích
biện minh và trực quan cho các dự đoán tính toán. Điều này
cho phép trình bày cho người dùng một danh sách các mục tương tự mà anh ta hoặc
cô ta đã đánh giá trước đó, làm cơ sở cho sự đánh giá ước tính.
Bằng cách này, người dùng thực sự hiểu được lý luận
đằng sau sự giới thiệu, cho phép anh ta / cô ấy để đánh giá tốt hơn
sự liên quan của nó (ví dụ như , hạ bậc ước tính nếu nó
được dựa trên một mục mà mình không còn thích), hoặc thậm chí
khuyến khích người sử dụng để thay đổi xếp hạng lạc hậu.
Tuy nhiên, phương pháp khu phố dựa trên tiêu chuẩn nâng cao
một số mối quan tâm:
1. Các chức năng tương tự (hoặc), trực tiếp de-
phạt các trọng suy, là tùy ý. Nhiều
thuật toán CF sử dụng các biện pháp tương tự hơi khác nhau,
cố gắng để xác định số lượng các khái niệm khó nắm bắt của người dùng hay