in which each column vector xr corr

in which each column vector xr corresponds to a specific resource’s ratings by all m users. This representation usually leverages item-item similarities and leads to item-based CF algorithms [3]. For a survey on neighborhood-based recommendation methods, such as CF, see Chapter 4.

Note that because of the ternary relational nature of folksonomies, traditional RS cannot be applied directly. Therefore, in order to develop RS for folksonomies, one needs to either (i) reduce the ternary relation Y to a lower dimensional space (usually second-order tensors) where traditional RS can be applied, or develop new algorithms that operate over third-order tensors or tripartite undirected hypergraphs. Note that if one follows (i), care must be taken during the dimensionality reduction since important information can be discarded, which can lower the overall accuracy of the recommendations. In Section 19.4 we present and discuss both families of algorithms.

19.2.3 Multi-mode Recommendations
Differently from the traditional RS paradigm, where one is usually concerned only with rating prediction or resource recommendations, STS users may be interested in finding resources/tags, or even other users, and therefore recommendations can be provided for any of these entity types. The recommendation of tags is used in several systems, like Delicious and Bib- Sonomy, for example. It usually involves the recommendation of tags to users, based on the tags other users have provided for the same resources. Tag recommendations can expose different facets of an information item and relieve users from the obnoxious task of coming up with a good set of tags. Moreover, tag recommendation can reduce the problem of tag sparsity, which results from the unwillingness of users to tag. Figure 19.5 illustrates tag recommendations in BibSonomy.

It is important to note that differently from traditional RS, where there is usually no repeat-buying, i.e., the user usually does not buy the same book, movie, CD, etc. twice, re-occurring tags are a common feature of STS. A tag that has already been used to annotate a resource can be reused to annotate other different resources. This means that while traditional RS usually only recommend items that the user has not yet bought or rated, tag recommenders can eventually recommend tags that the user has already used for other resources.

The recommendation of resources is largely used in e-commerce and advertising, like in Amazon for example. With the actual trend towards STS, the current resource recommendation services will also be able exploit the tags to boost the recommendation quality, for example, by recommending resources to users based on the tags they have in common with other similar users. The movie recommendation website movielens6, where users rate the movies they like and receive recommendations about other movies in which they might be interested, is a notable example.

It started as a traditional recommender service operating over the typical user-rating binary matrix, and just recently added social tagging features, whereby new tagaware algorithms are being developed and deployed [30].

A third type of recommendation concerns recommending interesting users to a target user, which can help to connect people with common interests and encourage them to contribute and share more content. With the term interesting users, we mean those users who have similar profile to the target user. If a set of tags is frequently used by many users, for example, then these users implicitly form a group of users with common interests, even though they may not have any physical or online connections. The tags represent the common interests to this user group. Each mode of recommendation, i.e., tag, resource, or user, is useful, depending of course on the context of the particular application. Algorithms that are able to provide integrated multi-mode recommendations are very appealing, as one can spare the effort of implementing and maintaining several mode-specific recommender systems. 19.3 RealWorld Social Tagging Recommender Systems
19.3.1 What are the Challenges?
For a recommender system to be successful in a real world application, it must approach several challenges. First, the provided recommendations must match the situation, i.e., tags should describe the annotated resource, products should awake the interest of the user, suggested resources should be interesting and relevant. Second, the suggestions should be traceable such that one easily understands why he got the items suggested. Third, they must be delivered timely without delay and they must be easy to access (i.e., by allowing the user to click on them or to use tab-completion when entering tags). Furthermore, the system must ensure that recommendations do not impede the normal usage of the system.

In this section we focus on tag recommendations as example of recommenders in STS. Most STS contain a tag recommender which suggests tags to the user when she is annotating a resource. Recommending tags can serve various purposes, such as: increasing the chances of getting a resource annotated, reminding a user what a resource is about, and consolidating the vocabulary across the users. Furthermore, as Sood et al. [33] point out, tag recommendations “fundamentally change the tagging process from generation to recognition” which requires less cognitive effort and time.

More formally, given a user u and a resource r, the task of a tag recommender is to predict the tags tags(u, r) the user will assign to the resource. We will depict the (ordered!) set of recommended tags by T? (u, r). Although we do not take the order of tags as the user entered them into account, the order of tags as given by the recommender plays an important role for the evaluation.

Results (Thai) 1:

ในเวกเตอร์คอลัมน์แต่ละที่ xr สอดคล้องกับการจัดอันดับของทรัพยากรที่ระบุโดยผู้ใช้ทั้งหมด m แสดงนี้มักจะใช้ความเหมือนของสินค้าสินค้า และไปตามสินค้า CF อัลกอริทึม [3] สำหรับการสำรวจในพื้นที่ใกล้เคียงตามคำแนะนำเกี่ยวกับวิธีการ เช่น CF ดูบทที่ 4โปรดทราบว่า เนื่องจากลักษณะเชิงสามของ folksonomies, RS แบบดั้งเดิมไม่สามารถใช้ได้โดยตรง ดังนั้น การพัฒนา RS สำหรับ folksonomies หนึ่งต้องอย่างใดอย่างหนึ่ง (i) ลดความสัมพันธ์สาม Y ไปล่างมิติพื้นที่ (สั่งสองมัก tensors) ที่ RS แบบดั้งเดิมสามารถใช้ หรือพัฒนาอัลกอริทึมใหม่ที่มีสามใบสั่ง tensors หรือ tripartite undirected hypergraphs หมายเหตุว่า ถ้าหนึ่งต่อไปนี้ (i), ระมัดระหว่างการลด dimensionality เนื่องจากข้อมูลสำคัญสามารถละทิ้ง ซึ่งสามารถลดความแม่นยำโดยรวมของคำแนะนำ ในส่วน 19.4 เรานำเสนอ และอภิปรายทั้งครอบครัวของอัลกอริทึม 19.2.3 มัลติโหมดคำแนะนำแตกต่างจากกระบวนทัศน์ RS แบบดั้งเดิม ที่หนึ่งมักจะเกี่ยวข้องกับทายผลคะแนนหรือข้อเสนอแนะทรัพยากรเท่านั้น ผู้ใช้ STS อาจจะสนใจในการหาทรัพยากร/แท็ก หรือแม้กระทั่งผู้ใช้อื่น และดังนั้นจึง สามารถให้คำแนะนำใด ๆ ของชนิดเอนทิตีเหล่านี้ คำแนะนำของแท็กจะใช้ในหลายระบบ อร่อยและผ้ากันเปื้อน - Sonomy ตัวอย่าง มันมักจะเกี่ยวข้องกับการแนะนำของแท็กเพื่อผู้ใช้ ตามป้ายที่ให้ผู้ใช้รายอื่นสำหรับทรัพยากรเดียวกัน คำแนะนำแท็กสามารถเปิดเผยแง่มุมที่แตกต่างกันของสินค้าข้อมูล และบรรเทาผู้ใช้งานฟถูกมากับชุดดีแท็ก นอกจากนี้ แนะนำแท็กสามารถลดปัญหาของแท็ก sparsity ซึ่งเป็นผลจาก unwillingness ผู้การแท็ก รูปที่ 19.5 แสดงป้ายคำแนะนำใน BibSonomy สิ่งสำคัญคือต้องสังเกตที่แตกต่างจากแบบ RS มีมักจะไม่ซ้ำซื้อ เช่น ผู้ใช้มักจะไม่ซื้อเหมือนกันจอง ภาพยนตร์ ซีดี เป็นต้นสอง แท็กใหม่เกิดขึ้นเป็นลักษณะทั่วไปของ STS แท็กที่มีใช้เพื่ออธิบายประกอบทรัพยากรแล้วสามารถนำมาเพื่ออธิบายประกอบทรัพยากรอื่น ๆ แตกต่างกัน ซึ่งหมายความ ว่า ในขณะที่ RS แบบดั้งเดิมมักจะเพียงแนะนำสินค้าที่ผู้ใช้ยังไม่ได้ซื้อ หรือได้คะแนน แท็ก recommenders ในที่สุดให้แท็กที่ผู้ใช้ได้ใช้ทรัพยากรอื่น ๆ แนะนำทรัพยากรส่วนใหญ่ใช้ในอีคอมเมิร์ซและโฆษณา เช่นใน Amazon เช่น มีแนวโน้มเกิดขึ้นจริงต่อ STS แนะนำบริการปัจจุบันของทรัพยากรจะสามารถโกงแท็กเพื่อเพิ่มคำแนะนำเกี่ยวกับคุณภาพ เช่น โดยแนะนำทรัพยากรให้กับผู้ใช้โดยใช้แท็กที่มี in common with กันคล้ายกัน ภาพยนตร์แนะนำเว็บไซต์ movielens6 ซึ่งผู้ใช้อันดับภาพยนตร์ที่พวกเขาชอบ และได้รับคำแนะนำเกี่ยวกับภาพยนตร์อื่น ๆ ที่พวกเขาอาจจะสนใจ เป็นตัวอย่างที่โดดเด่น มันเริ่มต้นเป็นบริการผู้แนะนำแบบปฏิบัติผ่านเมทริกซ์การไบนารีระดับผู้ใช้ทั่วไป และเพิ่ง เพิ่มสังคมระบุป้ายคุณสมบัติ โดยอัลกอริทึม tagaware ใหม่จะได้รับการพัฒนา และจัดวาง [30]ชนิดที่สามของข้อสงสัยคำแนะนำที่แนะนำผู้ใช้ที่น่าสนใจให้กับผู้ใช้เป้าหมาย ซึ่งจะช่วยเชื่อมต่อบุคคลกับผลประโยชน์ร่วมกัน และส่งเสริมให้มีส่วนร่วม และแบ่งปันเนื้อหาเพิ่มเติม มีผู้สนใจคำ เราหมายความว่า ผู้ใช้ที่มีโพรไฟล์ผู้ใช้เป้าหมายคล้ายคลึงกัน ถ้าชุดของแท็กมักใช้ โดยผู้ใช้หลายคน เช่น แล้วผู้ใช้เหล่านี้นัยการกลุ่มผู้ใช้ มีความสนใจทั่วไป แม้ว่าพวกเขาอาจไม่มีการเชื่อมต่อทางกายภาพ หรือออนไลน์ แท็กหมายถึงผลประโยชน์ทั่วไปให้กลุ่มผู้ใช้นี้ แต่ละโหมดแนะนำ เช่น แท็ก ทรัพยากร หรือผู้ ใช้ มีประโยชน์ ของหลักสูตรตามบริบทของแอพลิเคชันเฉพาะ อัลกอริทึมที่สามารถให้คำแนะนำหลายโหมดรวมน่าสนใจมาก เป็นที่หนึ่งสามารถอะไหล่ความพยายามปฏิบัติตาม และรักษาหลายโหมดเฉพาะผู้แนะนำระบบ 19.3 RealWorld สังคมติดป้ายผู้แนะนำระบบ19.3.1 มีความท้าทายอย่างไรสำหรับระบบผู้แนะนำจะประสบความสำเร็จในการใช้โลกจริง มันต้องเข้าหาความท้าทายต่าง ๆ ครั้งแรก คำแนะนำที่ให้มาต้องตรงกับสถานการณ์ เช่น แท็กควรอธิบายทรัพยากรประกอบ ผลิตภัณฑ์ควรตื่นความสนใจของผู้ใช้ แนะนำทรัพยากรควรจะน่าสนใจ และเกี่ยวข้อง ที่สอง คำแนะนำควรจะบังคับให้หนึ่งได้เข้าใจว่าทำไมเขามีสินค้าแนะนำ ที่สาม พวกเขาต้องจัดส่งทันเวลาทันท่วงที และจะต้องมีความง่ายต่อการเข้าถึง (เช่น โดยให้ผู้ใช้คลิกที่พวกเขา หรือใช้แท็บเสร็จสมบูรณ์เมื่อใส่แท็ก) นอกจากนี้ ระบบต้องแน่ใจว่า คำแนะนำไม่เป็นอุปสรรคการใช้งานปกติของระบบในส่วนนี้ เราเน้นแนะนำแท็กเป็นตัวอย่างของ recommenders ใน STS STS ส่วนใหญ่ประกอบด้วยผู้แนะนำแท็กแท็กเพื่อผู้ใช้เห็นเมื่อเธอได้ทำหมายเหตุในทรัพยากร แนะนำแท็กสามารถรองรับวัตถุประสงค์ต่าง ๆ เช่น: เพิ่มโอกาสของการใส่คำอธิบายประกอบทรัพยากร เตือนผู้ใช้ทรัพยากรใดกำลัง และรวมคำศัพท์ระหว่างผู้ใช้ได้ นอก al. et Sood [33] ชี้ให้เห็น แนะนำแท็ก "ภาระเปลี่ยนการระบุป้ายจากรุ่นเพื่อการรับรู้" ที่ต้องรับรู้ความพยายามและเวลาน้อยลง ขึ้นอย่างเป็นกิจจะลักษณะ ให้ผู้ใช้ คุณและ r ทรัพยากร งานของผู้แนะนำแท็กที่จะทำนายว่า แท็กแท็ก (u, r) ผู้ใช้จะกำหนดให้กับทรัพยากร เราจะแสดงชุดของแท็กแนะนำโดย T (สั่ง) หรือไม่ (u, r) ถึงแม้ว่าเราไม่มีใบสั่งของแท็กเป็นผู้ใส่เข้าบัญชี ใบสั่งของแท็กที่กำหนดโดยผู้แนะนำการเล่นมีบทบาทสำคัญในการประเมิน

Results (Thai) 2:

ซึ่งในแต่ละ XR เวกเตอร์คอลัมน์สอดคล้องกับการจัดอันดับเป็นทรัพยากรที่เฉพาะเจาะจงโดยผู้ใช้ทุกคนม. การแสดงนี้มักจะใช้ประโยชน์จากความคล้ายคลึงกันรายการสินค้าและนำไปสู่รายการตามขั้นตอนวิธีการ CF [3] สำหรับการสำรวจคำแนะนำเกี่ยวกับวิธีการที่ใช้พื้นที่ใกล้เคียงเช่น CF ดูที่บทที่ 4 โปรดทราบว่าเนื่องจากลักษณะของความสัมพันธ์ ternary folksonomies อาร์เอสแบบดั้งเดิมไม่สามารถนำมาใช้โดยตรง ดังนั้นเพื่อที่จะพัฒนาอาร์เอสสำหรับ folksonomies หนึ่งต้อง (i) ลดความสัมพันธ์ Y ternary ไปยังพื้นที่ที่ต่ำกว่ามิติ (ปกติเทนเซอร์ที่สองตามลำดับ) แบบดั้งเดิมที่อาร์เอสสามารถนำมาใช้หรือพัฒนาขั้นตอนวิธีการใหม่ที่ดำเนินการในช่วงที่สาม tensors สั่งซื้อหรือไตรภาคี hypergraphs แบบไร้ทิศทาง โปรดทราบว่าถ้าอย่างใดอย่างหนึ่งดังต่อไปนี้ (ก) การดูแลจะต้องดำเนินการในช่วงการลดมิติเนื่องจากข้อมูลที่สำคัญสามารถยกเลิกซึ่งสามารถลดความถูกต้องโดยรวมของคำแนะนำ ในมาตรา 19.4 เรานำเสนอและหารือเกี่ยวกับทั้งสองครอบครัวของอัลกอริทึม. 19.2.3 ข้อเสนอแนะหลายโหมดที่แตกต่างกันจากกระบวนทัศน์อาร์เอสแบบดั้งเดิมที่หนึ่งมักจะเกี่ยวข้องเฉพาะกับการคาดการณ์คะแนนหรือคำแนะนำทรัพยากร STS ผู้ใช้อาจจะสนใจในการหาทรัพยากร / แท็ก หรือแม้กระทั่งผู้ใช้งานอื่นและดังนั้นคำแนะนำที่สามารถให้การใด ๆ ของนิติบุคคลประเภทเหล่านี้ ข้อเสนอแนะของแท็กที่ใช้ในหลายระบบเช่นอร่อยและ Bib- Sonomy ยกตัวอย่างเช่น มันมักจะเกี่ยวข้องกับคำแนะนำของแท็กกับผู้ใช้งานขึ้นอยู่กับแท็กผู้ใช้อื่น ๆ ได้ให้ทรัพยากรเดียวกัน คำแนะนำแท็กสามารถสัมผัสแง่มุมที่แตกต่างกันของรายการข้อมูลและบรรเทาให้ผู้ใช้งานที่น่ารังเกียจของขึ้นมาพร้อมกับชุดที่ดีของแท็ก นอกจากนี้ยังมีคำแนะนำแท็กสามารถลดปัญหาของแท็ก sparsity ซึ่งเป็นผลมาจากความไม่เต็มใจของผู้ใช้แท็ก รูปที่ 19.5 แสดงให้เห็นถึงคำแนะนำแท็กใน BibSonomy. มันเป็นสิ่งสำคัญที่จะทราบว่าแตกต่างจากอาร์เอสแบบดั้งเดิมที่มีมักจะไม่ซ้ำซื้อคือผู้ใช้มักจะไม่ได้ซื้อหนังสือเล่มเดียวกัน, หนัง, ซีดี, และอื่น ๆ เป็นครั้งที่สองอีกครั้ง แท็กที่เกิดขึ้นเป็นลักษณะทั่วไปของเอสที แท็กที่ได้ถูกนำมาใช้เพื่ออธิบายทรัพยากรที่สามารถนำกลับมาใช้อธิบายทรัพยากรอื่น ๆ ที่แตกต่างกัน ซึ่งหมายความว่าในขณะที่อาร์เอสแบบดั้งเดิมมักจะแนะนำรายการที่ผู้ใช้ยังไม่ได้ซื้อหรือการจัดอันดับ Recommenders แท็กในที่สุดก็สามารถแนะนำแท็กที่ผู้ใช้มีการใช้อยู่แล้วสำหรับทรัพยากรอื่น ๆ . คำแนะนำของทรัพยากรที่ถูกนำมาใช้ส่วนใหญ่อยู่ใน E-commerce และการโฆษณา เหมือนใน Amazon สำหรับตัวอย่างเช่น กับแนวโน้มที่เกิดขึ้นจริงต่อ STS, บริการคำแนะนำของทรัพยากรในปัจจุบันยังจะสามารถใช้ประโยชน์จากแท็กเพื่อเพิ่มคุณภาพคำแนะนำตัวอย่างเช่นโดยการแนะนำทรัพยากรกับผู้ใช้งานขึ้นอยู่กับแท็กที่พวกเขามีเหมือนกันกับผู้อื่นที่คล้ายคลึงกัน เว็บไซต์คำแนะนำภาพยนตร์ movielens6 ที่ผู้ใช้คะแนนภาพยนตร์ที่พวกเขาต้องการและได้รับข้อเสนอแนะเกี่ยวกับภาพยนตร์อื่น ๆ ที่พวกเขาอาจจะสนใจเป็นตัวอย่างที่โดดเด่น. มันเริ่มต้นเป็นบริการ recommender แบบดั้งเดิมในการดำเนินงานที่ผ่านการประเมินโดยใช้เมทริกซ์ทั่วไปไบนารีและเพียง เมื่อเร็ว ๆ นี้เพิ่มคุณสมบัติการติดแท็กทางสังคมโดยขั้นตอนวิธีการ tagaware ใหม่ที่มีการพัฒนาและใช้งาน [30]. ชนิดที่สามของความกังวลข้อเสนอแนะที่น่าสนใจแนะนำผู้ใช้ให้กับผู้ใช้เป้าหมายซึ่งสามารถช่วยในการเชื่อมโยงผู้คนที่มีความสนใจร่วมกันและส่งเสริมให้พวกเขามีส่วนร่วมและแบ่งปันมากขึ้น เนื้อหา กับผู้ใช้งานที่น่าสนใจในระยะที่เราหมายถึงผู้ใช้ที่มีรายละเอียดคล้ายกับผู้ใช้เป้าหมาย ถ้าชุดของแท็กมักจะถูกใช้โดยผู้ใช้หลายคนเช่นนั้นผู้ใช้เหล่านี้โดยปริยายในรูปแบบกลุ่มของผู้ใช้ที่มีความสนใจร่วมกันถึงแม้ว่าพวกเขาอาจจะไม่ได้มีการเชื่อมต่อทางกายภาพหรือทางออนไลน์ใด ๆ แท็กเป็นตัวแทนของผลประโยชน์ร่วมกันกับกลุ่มผู้ใช้นี้ แต่ละโหมดของคำแนะนำคือแท็กทรัพยากรหรือผู้มีประโยชน์ขึ้นอยู่กับหลักสูตรกับบริบทของการประยุกต์ใช้โดยเฉพาะอย่างยิ่ง อัลกอริทึมที่มีความสามารถที่จะให้คำแนะนำแบบบูรณาการหลายโหมดมีความน่าสนใจเป็นหนึ่งสามารถสำรองความพยายามในการดำเนินการและการบำรุงรักษาระบบ recommender หลายเฉพาะโหมด 19.3 RealWorld สังคมแท็ก Recommender ระบบ19.3.1 อะไรคือความท้าทายหรือไม่สำหรับระบบ recommender จะประสบความสำเร็จในการประยุกต์ใช้โลกแห่งความจริงนั้นจะต้องเข้าใกล้กับความท้าทายหลาย ก่อนที่คำแนะนำให้ต้องตรงกับสถานการณ์เช่นแท็กควรอธิบายทรัพยากรข้อเขียนผลิตภัณฑ์ควรตื่นความสนใจของผู้ใช้ทรัพยากรที่แนะนำควรจะเป็นที่น่าสนใจและมีความเกี่ยวข้อง ประการที่สองข้อเสนอแนะควรจะตรวจสอบย้อนกลับเช่นที่หนึ่งได้อย่างง่ายดายเข้าใจว่าทำไมเขาได้รายการที่แนะนำ ประการที่สามพวกเขาจะต้องมีการส่งมอบทันเวลาโดยไม่ชักช้าและพวกเขาจะต้องง่ายต่อการเข้าถึง (เช่นโดยการอนุญาตให้ผู้ใช้สามารถคลิกที่พวกเขาหรือจะใช้แท็บเสร็จเมื่อเข้าสู่แท็ก) นอกจากนี้ระบบจะต้องให้แน่ใจว่าคำแนะนำที่ไม่เป็นอุปสรรคต่อการใช้งานปกติของระบบ. ในส่วนนี้เรามุ่งเน้นไปที่แท็กคำแนะนำเป็นตัวอย่างของ Recommenders ในเอสที เอสทีส่วนใหญ่มี recommender แท็กซึ่งแสดงให้เห็นแท็กให้กับผู้ใช้เมื่อเธอ annotating ทรัพยากร แนะนำแท็กสามารถตอบสนองวัตถุประสงค์ต่างๆเช่นการเพิ่มโอกาสในการได้รับทรัพยากรข้อเขียนเตือนผู้ใช้ทรัพยากรสิ่งที่เป็นเรื่องเกี่ยวกับการรวมคำศัพท์และผู้ใช้ทั่ว นอกจากเป็นสุด et al, [33] ชี้ให้เห็นข้อเสนอแนะแท็ก "พื้นฐานเปลี่ยนขั้นตอนการติดแท็กจากรุ่นสู่การรับรู้" ซึ่งต้องใช้ความพยายามน้อยองค์ความรู้และเวลา. เพิ่มเติมอย่างเป็นทางการได้รับใช้ท่านและอาทรัพยากรงานของ recommender แท็กคือการทำนายแท็ก แท็ก (U, R) ผู้ใช้จะกำหนดให้กับทรัพยากร เราจะแสดงให้เห็นถึง (สั่ง) ชุดของแท็กแนะนำโดย T? (มึง R) ถึงแม้ว่าเราจะไม่ได้ใช้คำสั่งของแท็กที่ผู้ใช้เข้ามาพวกเขาเข้าไปในบัญชีคำสั่งของแท็กที่กำหนดโดย recommender มีบทบาทสำคัญสำหรับการประเมินผล