The explosive growth of the world-w

The explosive growth of the world-wide-web and the emergence
of e-commerce has led to the development of recommender
systems—a personalized information filtering technology
used to identify a set of N items that will be of
interest to a certain user. User-based and model-based collaborative
filtering are the most successful technology for
building recommender systems to date and is extensively
used in many commercial recommender systems. The basic
assumption in these algorithms is that there are sufficient
historical data for measuring similarity between products or
users. However, this assumption does not hold in various application
domains such as electronics retail, home shopping
network, on-line retail where new products are introduced
and existing products disappear from the catalog. Another
such application domains is home improvement retail industry
where a lot of products (such as window treatments,
bathroom, kitchen or deck) are custom made. Each product
is unique and there are very little duplicate products. In
this domain, the probability of the same exact two products
bought together is close to zero. In this paper, we discuss
the challenges of providing recommendation in the domains
where no sufficient historical data exist for measuring similarity
between products or users. We present feature-based
recommendation algorithms that overcome the limitations
of the existing top-N recommendation algorithms. The experimental
evaluation of the proposed algorithms in the real
life data sets shows a great promise. The pilot project deploying
the proposed feature-based recommendation algorithms
in the on-line retail web site shows 75% increase in
the recommendation revenue for the first 2 month period.

Results (Thai) 1:

การเจริญเติบโต--เว็บและเกิดของอีคอมเมิร์ซได้นำไปสู่การพัฒนาของผู้แนะนำระบบเช่นข้อมูลส่วนบุคคลที่กรองเทคโนโลยีใช้เพื่อระบุชุดรายการ N จะสนใจสำหรับผู้ใช้บางอย่าง ตามแบบจำลอง และผู้ตามร่วมกันกรองเป็นเทคโนโลยีประสบความสำเร็จมากที่สุดสร้างระบบผู้แนะนำวันที่ และเป็นอย่างกว้างขวางใช้ในระบบผู้แนะนำทางการค้ามากมาย พื้นฐานอัสสัมชัญในอัลกอริทึมเหล่านี้มีข้อมูลที่เพียงพอข้อมูลทางประวัติศาสตร์สำหรับการวัดความคล้ายคลึงกันระหว่างผลิตภัณฑ์ หรือผู้ใช้ อย่างไรก็ตาม นี้ไม่เก็บไว้ในโปรแกรมประยุกต์ต่าง ๆโดเมนเช่นขายปลีกอุปกรณ์อิเล็กทรอนิกส์ ซื้อบ้านเครือข่าย ง่ายดายขายปลีกที่มีการแนะนำผลิตภัณฑ์ใหม่และผลิตภัณฑ์ที่มีอยู่หายไปจากแค็ตตาล็อก อื่นโดเมนโปรแกรมประยุกต์ดังกล่าวจะปรับปรุงอุตสาหกรรมขายปลีกมากมายของผลิตภัณฑ์ (เช่นการรักษาหน้าต่างห้องน้ำ ห้องครัว หรือบนดาดฟ้า) จะทำ แต่ละผลิตภัณฑ์ไม่ซ้ำกัน และมีผลิตภัณฑ์ซ้ำน้อยมาก ในโดเมนนี้ น่าผลิตภัณฑ์สองแน่นอนเดียวกันซื้อกันอยู่ใกล้กับศูนย์ ในเอกสารนี้ เราหารือความท้าทายที่ให้คำแนะนำในโดเมนอยู่ที่ข้อมูลทางประวัติศาสตร์ไม่เพียงพอสำหรับการวัดความคล้ายคลึงกันระหว่างผลิตภัณฑ์หรือผู้ใช้ เรานำเสนอคุณลักษณะตามอัลกอริทึมคำแนะนำที่เอาชนะข้อจำกัดของมีอยู่ N ด้านบนแนะนำอัลกอริทึมการ การทดลองประเมินของอัลกอริทึมที่นำเสนอในจริงชุดข้อมูลชีวิตแสดงสัญญาที่ดี การปรับใช้โครงการนำร่องอัลกอริทึมคำแนะนำตามลักษณะการทำงานนำเสนอในขายปลีกง่ายดาย เว็บไซต์แสดงเพิ่มขึ้น 75%รายได้แนะนำสำหรับระยะเวลา 2 เดือนแรก

Results (Thai) 2:

เจริญเติบโตระเบิดของเว็บทั่วโลกและการเกิดขึ้น
ของ e-commerce ได้นำไปสู่การพัฒนาของผู้แนะนำ
ระบบเทคโนโลยีการกรองข้อมูลส่วนบุคคลที่
ใช้ในการระบุชุดของรายการที่ยังไม่มีที่จะเป็น
ที่น่าสนใจให้กับผู้ใช้บางอย่าง ผู้ใช้ที่ใช้และแบบที่ใช้ร่วมกัน
กรองเทคโนโลยีที่ประสบความสำเร็จมากที่สุดสำหรับ
การสร้างระบบ recommender ให้ทันสมัยและเป็นอย่างกว้างขวาง
ใช้ในระบบการค้าจำนวนมาก recommender พื้นฐาน
สมมติฐานในขั้นตอนวิธีเหล่านี้ก็คือว่ามีเพียงพอ
ข้อมูลทางประวัติศาสตร์สำหรับการวัดความคล้ายคลึงกันระหว่างผลิตภัณฑ์หรือ
ผู้ใช้ อย่างไรก็ตามสมมติฐานนี้ไม่ได้ถือในการประยุกต์ใช้ต่างๆ
โดเมนเช่นอิเล็กทรอนิกส์ค้าปลีก, ช้อปปิ้งที่บ้าน
ของเครือข่ายค้าปลีกในสายผลิตภัณฑ์ใหม่ที่ได้รับการแนะนำให้รู้จักกับ
ผลิตภัณฑ์ที่มีอยู่และหายไปจากแคตตาล็อก อีก
โดเมนโปรแกรมดังกล่าวคือการปรับปรุงบ้านของอุตสาหกรรมค้าปลีก
ที่มากของผลิตภัณฑ์ (เช่นการรักษาหน้าต่าง,
ห้องน้ำห้องครัวหรือดาดฟ้า) เองจะทำ แต่ละผลิตภัณฑ์
ที่เป็นเอกลักษณ์และมีน้อยมากผลิตภัณฑ์ที่ซ้ำกัน ใน
โดเมนนี้น่าจะเป็นของที่แน่นอนเดียวกันสองผลิตภัณฑ์
ซื้อกันอยู่ใกล้กับศูนย์ ในบทความนี้เราจะหารือถึง
ความท้าทายในการให้คำแนะนำในโดเมน
ที่ไม่มีข้อมูลทางประวัติศาสตร์ที่มีอยู่เพียงพอสำหรับการวัดความคล้ายคลึงกัน
ระหว่างผลิตภัณฑ์หรือผู้ใช้ เรานำเสนอคุณสมบัติตาม
ขั้นตอนวิธีการคำแนะนำที่เอาชนะข้อ จำกัด
ของคำแนะนำด้านบน-N ที่มีอยู่ขั้นตอนวิธี การทดลอง
ประเมินผลของอัลกอริทึมที่เสนอในแบบเรียลไท
ชุดข้อมูลชีวิตแสดงให้เห็นสัญญาที่ดี โครงการนำร่องการปรับใช้
ที่นำเสนอคุณสมบัติตามขั้นตอนวิธีการคำแนะนำ
ในแบบ on-line เว็บไซต์ค้าปลีกที่แสดงให้เห็นการเพิ่มขึ้น 75% ใน
รายได้จากการแนะนำเป็นครั้งแรกในช่วงเวลา 2 เดือน

Results (Thai) 3:

การเจริญเติบโตระเบิดของเวิลด์ไวด์เว็บและงอก
ของอีคอมเมิร์ซได้นำไปสู่การพัฒนา แนะนำเทคโนโลยีการกรอง

SYSTEMS-A ข้อมูลส่วนบุคคลที่ใช้เพื่อระบุชุดของรายการ ซึ่งจะมี
สนใจผู้ใช้บาง ผู้ใช้ที่ใช้สำหรับการกรองและร่วมกัน
เป็นเทคโนโลยีที่ประสบความสำเร็จมากที่สุด เพื่อสร้างระบบที่ทันสมัยและแนะนำ

เป็นอย่างกว้างขวางใช้ในการแนะนำระบบการค้ามาก ในสมมติฐานพื้นฐาน
ขั้นตอนวิธีเหล่านี้คือ มีข้อมูลทางประวัติศาสตร์เพียงพอ

สำหรับการวัดความคล้ายคลึงกันระหว่างผลิตภัณฑ์หรือผู้ใช้ อย่างไรก็ตามสมมติฐานนี้ไม่ถือในโดเมนใบสมัคร
ต่างๆเช่นอิเล็กทรอนิกส์ค้าปลีก เครือข่ายบ้านช้อปปิ้งออนไลน์ค้าปลีกที่

ผลิตภัณฑ์ใหม่แนะนำและผลิตภัณฑ์ที่มีอยู่หายไปจากแคตตาล็อก อีก
โปรแกรมประยุกต์เช่นโดเมนที่เป็นโครงการบ้าน อุตสาหกรรมค้าปลีก
ที่มากของผลิตภัณฑ์ ( เช่นหน้าต่างทรีทเม้นต์เพื่อ
ห้องน้ำ , ห้องครัวหรือดาดฟ้า ) ที่กำหนดเองทำ แต่ละผลิตภัณฑ์
เป็นเอกลักษณ์ และมีผลิตภัณฑ์ที่ซ้ำกันน้อยมาก ใน
โดเมนนี้ น่าจะเป็นของเดิมสองผลิตภัณฑ์
ซื้อด้วยกัน อยู่ใกล้กับศูนย์ ในกระดาษนี้เราได้กล่าวถึงความท้าทายของการให้คำแนะนำ

ในโดเมนที่ไม่มีข้อมูลทางประวัติศาสตร์เพียงพออยู่วัดความเหมือน
ระหว่างผลิตภัณฑ์หรือผู้ใช้ เรานำเสนอในสาร
แนะนำขั้นตอนวิธีที่เอาชนะข้อ จำกัด ของที่มีอยู่
top-n แนะนำขั้นตอนวิธี ทดลอง
การประเมินผลอัลกอริทึมใหม่ในชีวิตจริง
ชุดข้อมูลแสดงสัญญาที่ยอดเยี่ยมโครงการนำร่องการใช้อัลกอริทึมที่เสนอคำแนะนำ

หาคุณลักษณะพื้นฐานในเว็บไซต์ค้าปลีกออนไลน์แสดงให้เห็นเพิ่มขึ้น 75% ใน
รายได้แนวทางแรก 2 เดือน .