may be more effective and does not

may be more effective and does not require training a factorization
model. While such content based analysis is beyond
the scope of this paper, we do consider two types of easily
derived variables: the number of ratings of an item or by a
user and the average rating of an item or by a user. Variables
like these allow us, for example, to distinguish users
who like the most commonly rated movies best from those
who prefer more specialized fare (after controlling for both
movie and user effects).
Third, there may be characteristics of specific ratings,
such as the date of the rating, that explain some of the variation
in scores. For example, a particular user’s ratings may
slowly, or suddenly, rise over time, above and beyond any
change explained by the inherent quality of the items being
rating. Similarly, ratings for some movies may fall with
time after their initial release dates, while others stand the
test of time quite well. Neither factorization nor kNN could
be expected to detect patterns like these.

Kết quả (Việt) 1:

có thể có hiệu quả và không cần đào tạo một factorizationMô hình. Trong khi nội dung dựa trên phân tích là vượt ra ngoàiphạm vi của bài báo này, chúng ta hãy xem xét hai loại một cách dễ dàngcó nguồn gốc biến: số xếp hạng mục hay bằng mộtngười sử dụng và đánh giá trung bình của một mục hoặc bởi một người sử dụng. Biếnnhư thế này cho phép chúng tôi, ví dụ, để phân biệt người dùngngười giống như hầu hết thường được xếp hạng phim tốt nhất từ những ngườinhững người thích chuyên biệt hơn giá vé (sau khi kiểm soát cho cả haiphim và người sử dụng hiệu ứng).Thứ ba, có thể có các đặc điểm của xếp hạng cụ thể,chẳng hạn như ngày đánh giá, mà giải thích một số các biến thểđiểm. Ví dụ, có thể xếp hạng của người dùng cụ thểdần dần hoặc đột ngột, tăng lên theo thời gian, ở trên và vượt bất kỳthay đổi được giải thích bởi chất lượng vốn có của các khoản mụcđánh giá. Tương tự, xếp hạng cho một số phim có thể rơi vớithời gian sau ngày phát hành đầu tiên của họ, trong khi những người khác đứng cáckiểm tra thời gian khá tốt. Có thể factorization cũng như kNNđược mong đợi để phát hiện các mô hình như thế này.

Kết quả (Việt) 2:

có thể có hiệu quả hơn và không đòi hỏi phải đào tạo một nhân tử
mô hình. Trong khi phân tích nội dung dựa như vậy là vượt
phạm vi bài báo này, chúng tôi xem xét hai loại dễ dàng
biến có nguồn gốc: các số xếp hạng của một mục hoặc một
người sử dụng và đánh giá trung bình của một mục hoặc một người sử dụng. Biến
như thế này cho phép chúng tôi, ví dụ, để phân biệt người sử dụng
những người thích xem phim phổ biến nhất là đánh giá tốt nhất từ những
người thích ăn chuyên biệt hơn (sau khi kiểm soát cho cả
phim và ảnh hưởng người dùng).
Thứ ba, có thể là đặc điểm của xếp hạng cụ thể,
chẳng hạn như ngày đánh giá, giải thích một số các biến thể
về điểm số. Ví dụ, xếp hạng của một người dùng cụ thể
từ từ, hoặc đột ngột, tăng theo thời gian, ở trên và vượt ra ngoài bất kỳ
sự thay đổi giải thích bằng chất lượng vốn có của các mục được
đánh giá. Tương tự như vậy, xếp hạng cho một số bộ phim có thể giảm với
thời gian sau ngày phát hành đầu tiên của họ, trong khi những người khác chịu được
thử thách của thời gian khá tốt. Không thừa cũng không KNN có thể
được dự kiến sẽ phát hiện mô hình như thế này.