20.3.3 Empirical ComparisonOne ques

20.3.3 Empirical Comparison
One question that stands out is which of the state-of-the-art approaches discussed above performs best in practice. Basically, so far, researchers in the trust-based recommender field introduced their own new algorithms and evaluated these on their own applications and/or data sets, without including a comparison of other trustenhanced approaches based on the same data set/application. Therefore, in the remainder of this section, we provide a head-to-head comparison of the performance that the previously discussed trust-enhanced techniques can achieve on one and the same data set. We focus on Golbeck’s trust-based weighted mean with TidalTrust (Eq. (20.1)), Massa’s trust-based collaborative filtering with MoleTrust (Eq. (20.4)), and O’Donovan’s trust-based filtering (Eq. (20.5)). Since our goal is to compare all techniques on the same data sets and to investigate the influence of trust propagation, we have chosen not to implement O’Donovan’s automatic trust generation strategy, but to mine the same trust network as the other two strategies. Although O’Donovan et al. do not use trust propagation in their experiments [46], it is of course possible to do so. Since there is no explicit use of trust values in (20.5), we only need to specify how propagation enlarges RT+ (see below).

20.3.3.1 Data Sets
The data sets we use in our experiments are obtained from Epinions.com, a popular e-commerce site where users can write reviews about consumer products and assign a rating to the products and the reviews. Two Epinions data sets are often used for experimenting with trust-enhanced recommender systems. The first one was collected by Massa and Bhattacharjee [39] in a 5-week crawl and contains 139 738 products that are rated by 49 290 users in total; the consumer products are rated on a scale from 1 to 5. The second data set was compiled by Guha et al. [21]: this large data set contains 1 560 144 reviews that received 25 170 637 ratings by 163 634 different users. The reviews are evaluated by assigning a helpfulness rating which ranges from ‘not helpful’ (1/5) to ‘most helpful’ (5/5). This data set does not contain any information about consumer products and product ratings, but works with reviews and review ratings instead; in other words, for this data set, we discuss and evaluate

a ‘review recommender system’. Hence, in the context of Guha’s set, an item denotes a review of consumer goods, whereas for the crawled data set an item denotes a consumer product.

In our experiments we focus on the number of recommendations/predictions that can be generated by the systems and on the prediction errors, for random items as well as controversial items. The latter are the most challenging items for a recommender system, since it is much harder to predict a score for an item that has received a variety of high and low scores, reflecting disagreement about the item. More than in any other case, a recommendation for a user needs to be truly personalized when the target item under consideration is controversial; i.e., when an item has both ‘ardent supporters’ and ‘motivated adversaries’, with no clear majority in either group. In [63], Victor et al. explain why classical standard deviation is not sufficient to detect the true controversial items in a data set, and propose a new measure to define the controversiality level of a particular item. Their methodology leads to 1 416 controversial items in Guha’s data set, and 266 in Massa’s data set.

We refer to [63] for more details about the controversiality computation. To compare the performance achieved for controversial items (CIs) with the performance that can be obtained in general, we also present the average coverage and accuracy for 1 416 and 266 randomly selected ‘popular’ items (RIs) (that have been evaluated at least 20 times, analogous to the controversial items).

Epinions allows users to evaluate other users based on the quality of their reviews, and to provide trust and distrust evaluations in addition to ratings. The fact that both data sets contain explicit trust information from the users makes them very appropriate to study issues in trust-enhanced recommender systems. Users can evaluate other users by including them in their WOT (i.e. a list of reviewers whose reviews and ratings were consistently found to be valuable7), or by putting them in their block list (a list of authors whose reviews were consistently found to be offensive, inaccurate or low quality7, thus indicating distrust). In Guha’s data set, the trust evaluations make up an Epinions WOT graph consisting of 114 222 users and 717 129 non self-referring trust relations. Massa’s data set contains information on 49 288 users who issued or received 487 003 trust statements in total.

Note that the data sets only contain binary trust values, hence in our experiments ta,u in (20.1), (20.4) and (20.5) can take on the values 0 (absence of trust) and 1 (full presence) only. This limitation leads to alterations of some of the trust-basesd algorithms; e.g., Formula (20.1) reduces to the classical average. For simplicity, we only consider one-step propagation in this paper. This means that for the propagated versions of (20.4) and (20.5), we consider chains of length 1 and 2, whereas for (20.2) we only consider chains of length 2 when there are no shorter chains available. These two simplifications put a restriction on our empirical comparison, because we cannot analyse the algorithms exactly as they were meant/designed to be.

Results (Thai) 1:

20.3.3 เปรียบเทียบประจักษ์คำถามหนึ่งที่ยืนออกเป็นวิธีทันสมัยที่กล่าวถึงข้างต้นที่ดำเนินการส่วนในทางปฏิบัติ พื้น ฉะนี้ นักวิจัยในฟิลด์ตามความเชื่อถือผู้แนะนำนำอัลกอริทึมใหม่ของตนเอง และประเมินเหล่านี้โปรแกรมประยุกต์ของตนเองและ/หรือชุดข้อมูล การเปรียบเทียบของวิธี trustenhanced อื่น ๆ ตามชุดข้อมูล/โปรแกรมประยุกต์เดียวกัน ดังนั้น ในส่วนที่เหลือของส่วนนี้ เราให้เปรียบเทียบกันของประสิทธิภาพที่สามารถใช้เทคนิคเพิ่มความน่าเชื่อถือ discussed ก่อนหน้านี้ ชุดข้อมูลเดียวกัน เราเน้นของ Golbeck ใช้แทนถ่วงน้ำหนักค่าเฉลี่ยกับ TidalTrust (Eq. (20.1)), มาซซาของตามความเชื่อถือร่วมกันกรอง ด้วย MoleTrust (Eq. (ยัง 20.4)), และ O'Donovan ของบริษัทตามกรอง (Eq. (20.5)) เนื่องจากเป้าหมายของเราคือ เพื่อเปรียบเทียบเทคนิคทั้งหมดในชุดข้อมูลเดียวกัน และ เพื่อตรวจสอบอิทธิพลของการเผยแพร่ความน่าเชื่อถือ เราได้เลือกไม่ใช้กลยุทธ์สร้างความน่าเชื่อถือโดยอัตโนมัติของ O'Donovan แต่เหมืองเครือข่ายเชื่อถือเดียวกันเป็นกลยุทธ์สองอื่น ๆ แม้ว่า O'Donovan et al. ใช้เผยแพร่ความเชื่อถือในการทดลอง [46] เป็นของหลักสูตรดังกล่าว เนื่องจากมีใช้แทนค่าใน (20.5) ไม่ชัดเจน เราเพียงต้องการระบุวิธีการเผยแพร่ขยาย RT + (ดูด้านล่าง)20.3.3.1 ชุดข้อมูลชุดข้อมูลที่ใช้ในการทดลองของเราจะได้รับจาก Epinions.com ไซต์พาณิชย์นิยมซึ่งผู้ใช้สามารถเขียนรีวิวเกี่ยวกับผลิตภัณฑ์ผู้บริโภค และกำหนดผลิตภัณฑ์และรีวิวจากการจัดอันดับ ค่า Epinions มักใช้ในการทดลองกับระบบผู้แนะนำเพิ่มความน่าเชื่อถือ แรกรวบรวมโดยมัสสา Bhattacharjee [39] ในการตระเวน 5 สัปดาห์ และประกอบด้วยผลิตภัณฑ์ที่ถูกจัดอันดับ โดยผู้ใช้ 49 290 รวม 139 738 สินค้าอุปโภคบริโภคมีคะแนนในระดับ 1 ถึง 5 ชุดข้อมูลที่สองถูกคอมไพล์โดย Guha et al. [21]: รีวิว 1 560 144 ที่ได้รับการจัดอันดับ โดยผู้ใช้ 163 634 25 170 637 ประกอบด้วยชุดข้อมูลขนาดใหญ่ จะประเมิน โดยกำหนดงามอันดับที่ช่วงจาก 'ไม่ดี' (1/5) เพื่อ 'ดีมาก' (5/5) ชุดข้อมูลนี้ประกอบด้วยข้อมูลเกี่ยวกับสินค้าอุปโภคบริโภคและจัดอันดับสินค้า แต่ทำงานร่วมกับทาน และทบทวนการจัดอันดับแทน ในคำอื่น ๆ สำหรับชุดข้อมูล เราอภิปราย และประเมิน 'ตรวจสอบผู้แนะนำระบบ' ดังนั้น ในบริบทของ Guha ชุด สินค้าแสดงความเห็นของผู้บริโภคสินค้า ในขณะที่ชุดข้อมูลถูกตระเวน สินค้าแสดงสินค้าอุปโภคบริโภค ในการทดลองของ เราเน้นจำนวนข้อเสนอแนะ/คาดคะเนที่สามารถสร้างขึ้น โดยระบบ และคาดเดา พลาด สินค้าเป็นสินค้าแย้ง หลังรายการท้าทายที่สุดสำหรับระบบผู้แนะนำ เนื่องจากเป็นการยากมากที่จะทำนายคะแนนสำหรับสินค้าที่ได้รับต่าง ๆ สูงต่ำ คะแนน สะท้อนกันเกี่ยวกับสินค้า มากกว่าในกรณีอื่น ๆ คำแนะนำสำหรับผู้ต้องการเป็นส่วนบุคคลอย่างแท้จริงเมื่อสินค้าเป้าหมายภายใต้การพิจารณาแย้ง เช่น เมื่อรายการได้ 'ซักหัวใจ' และ 'แรงบันดาลใจคู่แข่ง' ด้วยส่วนใหญ่ไม่ชัดเจนในกลุ่มใด ใน [63], al. และวิคเตอร์อธิบายเหตุส่วนเบี่ยงเบนมาตรฐานคลาสสิกไม่เพียงพอที่จะตรวจสอบสินค้าแย้งจริงในชุดข้อมูล และเสนอการประเมินเพื่อกำหนดระดับ controversiality ของสินค้า วิธีการนำไปสู่สินค้าแย้ง 1 416 ในชุดข้อมูลของ Guha และ 266 ในชุดข้อมูลของมาซซาเราอ้างถึง [63] รายละเอียดเพิ่มเติมเกี่ยวกับการคำนวณ controversiality การเปรียบเทียบประสิทธิภาพการทำงานที่ได้รับสำหรับรายการแย้ง (CIs) มีประสิทธิภาพที่สามารถได้รับโดยทั่วไป เรายังมีค่าเฉลี่ยความครอบคลุมและความถูกต้องสำหรับ 1 416 และ 266 สุ่มเลือกรายการ 'ยอด' (RIs) (ที่มีการประเมินครั้งที่ 20 คล้ายคลึงกับรายการแย้ง) Epinions ช่วยให้ผู้ใช้ประเมินกันตามคุณภาพของรีวิวจากของพวกเขา และการให้ความไว้วางใจ และระแวงประเมินนอกเหนือจากการจัดอันดับ ความจริงที่ว่า ทั้งสองชุดข้อมูลประกอบด้วยข้อมูลชัดเจนน่าเชื่อถือจากผู้ใช้ทำให้พวกเขาที่เหมาะสมเพื่อศึกษาปัญหาในระบบเพิ่มความน่าเชื่อถือผู้แนะนำ ผู้ใช้สามารถประเมินผู้อื่น โดยได้จัดการ WOT (เช่นรายการของผู้เห็นและการจัดอันดับอย่างต่อเนื่องพบเป็น valuable7), หรือจัดรายการบล็อก (รายการอย่างสม่ำเสมอพบเห็นซึ่งจะ ไม่เหมาะสม ไม่ถูกต้อง หรือต่ำ quality7 ผู้เขียนจึง ระบุระแวง) ในชุดข้อมูลของ Guha ประเมินความน่าเชื่อถือทำขึ้นประกอบด้วยผู้ใช้ 114 222 และ 717 129 ไม่ใช่ตนเองอ้างอิงน่าเชื่อถือความสัมพันธ์เป็นกราฟ Epinions โหวด ชุดข้อมูลของมาสซาประกอบด้วยข้อมูลเกี่ยวกับผู้ใช้ 49 288 ที่ออก หรือได้รับ 487 003 แทนงบรวมหมายเหตุว่า ชุดข้อมูลเท่านั้นประกอบด้วยความน่าเชื่อถือฐานค่า ดังนั้นในการทดลองของเราตา u ใน (20.1), (ยัง 20.4) (20.5) สามารถใช้ค่า 0 (ขาดความน่าเชื่อถือ) และ 1 (อยู่เต็ม) และเท่านั้น ข้อจำกัดนี้นำไปสู่การเปลี่ยนแปลงของอัลกอริทึมความน่าเชื่อถือ-basesd เช่น สูตร (20.1) ลดให้ค่าเฉลี่ยคลาสสิก ราย เราเพียงพิจารณาเผยแพร่ขั้นตอนเดียวในเอกสารนี้ หมายความ ว่า สำหรับรุ่น (ยัง 20.4) เผยแพร่ (20.5), เราพิจารณาโซ่ความยาว 1 และ 2 ในขณะที่สำหรับ (20.2) เราเพียงพิจารณาโซ่ยาว 2 มีโซ่สั้นไม่ ลในเรื่องง่ายเหล่านี้สองวางข้อจำกัดในการเปรียบเทียบของเราประจักษ์ เนื่องจากเราไม่สามารถวิเคราะห์อัลกอริทึมเหมือนถูกหมาย/ออกแบบให้

Results (Thai) 2:

20.3.3 การเปรียบเทียบเชิงประจักษ์
คำถามหนึ่งที่ยืนออกเป็นที่ของทั้งวิธีการรัฐของศิลปะที่กล่าวข้างต้นดำเนินการที่ดีที่สุดในการปฏิบัติ โดยทั่วไปเพื่อให้ห่างไกลนักวิจัยในสาขา recommender ความไว้วางใจตามขั้นตอนวิธีการที่นำมาใช้ใหม่ของพวกเขาเองและประเมินผลการใช้งานเหล่านี้ด้วยตัวเองและ / หรือชุดข้อมูลโดยไม่รวมการเปรียบเทียบวิธีการ trustenhanced อื่น ๆ บนพื้นฐานของข้อมูลชุดเดียวกัน / การประยุกต์ใช้ ดังนั้นในส่วนที่เหลือของส่วนนี้เรามีการเปรียบเทียบหัวหัวไปของประสิทธิภาพการทำงานที่กล่าวก่อนหน้านี้เทคนิคการเพิ่มความไว้วางใจจะประสบความสำเร็จที่หนึ่งและข้อมูลชุดเดียวกัน เรามุ่งเน้นการ Golbeck ของความไว้วางใจที่ใช้ถ่วงน้ำหนักเฉลี่ยกับ TidalTrust (สม. (20.1)) มาสซ่าของความไว้วางใจที่ใช้กรองร่วมมือกับ MoleTrust (สม. (20.4)) และการกรองความไว้วางใจตามที่โดโนแวน (สม. (20.5)) . เนื่องจากเป้าหมายของเราคือการเปรียบเทียบเทคนิคทั้งหมดในชุดข้อมูลที่เหมือนกันและการตรวจสอบอิทธิพลของการขยายพันธุ์ไว้วางใจเราได้เลือกที่จะไม่ใช้กลยุทธ์การสร้างความไว้วางใจอัตโนมัติโดโนแวน แต่เหมืองเครือข่ายความไว้วางใจเช่นเดียวกับอีกสองกลยุทธ์ แม้ว่าโดโนแวน, et al ไม่ได้ใช้การบริหารจัดการความไว้วางใจในการทดลองของพวกเขา [46] มันเป็นหลักสูตรที่เป็นไปได้ที่จะทำเช่นนั้น เนื่องจากไม่มีการใช้งานที่ชัดเจนของค่าความไว้วางใจใน (20.5) เราจะต้องระบุวิธีการขยายพันธุ์ขยาย RT + (ดูด้านล่าง). 20.3.3.1 ชุดข้อมูลชุดข้อมูลที่เราใช้ในการทดลองของเราจะได้รับจาก Epinions.com ได้รับความนิยม เว็บไซต์อีคอมเมิร์ซที่ผู้ใช้สามารถเขียนแสดงความคิดเห็นเกี่ยวกับสินค้าอุปโภคบริโภคและกำหนดคะแนนให้กับสินค้าและความคิดเห็น สอง Epinions ชุดข้อมูลมักจะใช้สำหรับการทดสอบกับระบบ recommender ความไว้วางใจเพิ่ม คนแรกที่ถูกเก็บรวบรวมโดยสซ่าและ Bhattacharjee [39] ในการรวบรวมข้อมูล 5 สัปดาห์และมี 139 738 ผลิตภัณฑ์ที่ได้รับการประเมินโดย 49 ผู้ใช้ 290 คนรวม; สินค้าอุปโภคบริโภคที่ได้รับการประเมินในระดับตั้งแต่ 1 ถึง 5 ข้อมูลชุดที่สองถูกรวบรวมโดยกู et al, [21] ชุดข้อมูลขนาดใหญ่นี้มี 1 560 144 ความคิดเห็นที่ 25 ที่ได้รับการจัดอันดับ 170 637 163 634 โดยผู้ใช้ที่แตกต่างกัน ความคิดเห็นจะมีการประเมินโดยการกำหนดคะแนนความเอื้ออาทรซึ่งมีตั้งแต่ 'ไม่เป็นประโยชน์ (1/5) ที่' เป็นประโยชน์มากที่สุด (5/5) ข้อมูลชุดนี้ไม่ได้มีข้อมูลเกี่ยวกับสินค้าอุปโภคบริโภคและการจัดอันดับผลิตภัณฑ์ใด ๆ แต่ทำงานร่วมกับความคิดเห็นและการให้คะแนนรีวิวแทน; ในคำอื่น ๆ สำหรับข้อมูลชุดนี้เราจะหารือและประเมินผลการทบทวนระบบ recommender ' ดังนั้นในบริบทของชุดกูของรายการหมายถึงความคิดเห็นของสินค้าอุปโภคบริโภคในขณะที่ข้อมูลการรวบรวมข้อมูลการตั้งค่ารายการหมายถึงสินค้าอุปโภคบริโภค. ในการทดลองของเราที่เรามุ่งเน้นไปที่จำนวนของคำแนะนำ / การคาดการณ์ที่สามารถสร้างขึ้นโดยระบบ และข้อผิดพลาดในการทำนายสำหรับรายการที่สุ่มเช่นเดียวกับรายการความขัดแย้ง หลังเป็นรายการที่ท้าทายที่สุดสำหรับระบบ recommender เพราะมันเป็นเรื่องยากที่จะคาดการณ์คะแนนสำหรับรายการที่ได้รับความหลากหลายของคะแนนสูงและต่ำสะท้อนให้เห็นถึงความไม่เห็นด้วยเกี่ยวกับรายการ มากกว่าในกรณีอื่น ๆ คำแนะนำสำหรับผู้ใช้ต้องการที่จะเป็นส่วนบุคคลอย่างแท้จริงเมื่อรายการเป้าหมายภายใต้การพิจารณาเป็นที่ถกเถียงกัน; กล่าวคือเมื่อรายการมีทั้ง 'สนับสนุนกระตือรือร้น' และ 'แรงบันดาลใจฝ่ายตรงข้าม' ไม่มีชัดเจนมากในทั้งสองกลุ่ม ใน [63], et al, วิคเตอร์ อธิบายว่าทำไมค่าเบี่ยงเบนมาตรฐานคลาสสิกไม่เพียงพอที่จะตรวจสอบรายการที่ขัดแย้งจริงในชุดข้อมูลและเสนอมาตรการใหม่เพื่อกำหนดระดับ controversiality ของรายการโดยเฉพาะอย่างยิ่ง วิธีการของพวกเขานำไปสู่ ​​1 416 รายการที่ถกเถียงกันอยู่ในชุดข้อมูลที่กูและ 266 ในข้อมูลของมาสซ่าตั้ง. เราหมายถึง [63] สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับการคำนวณ controversiality เพื่อเปรียบเทียบประสิทธิภาพการทำงานที่ประสบความสำเร็จสำหรับรายการที่ขัดแย้ง (CIS) มีประสิทธิภาพการทำงานที่สามารถได้รับโดยทั่วไปเรายังนำเสนอความคุ้มครองเฉลี่ยและความถูกต้องเป็นเวลา 1 416 266 และสุ่มเลือก 'นิยม' รายการ (RIS) (ที่ได้รับการประเมินอย่างน้อย 20 ครั้งคล้ายกับรายการที่ขัดแย้ง). Epinions ช่วยให้ผู้ใช้ในการประเมินผู้ใช้อื่น ๆ ขึ้นอยู่กับคุณภาพของความคิดเห็นของพวกเขาและเพื่อให้ความไว้วางใจและการประเมินผลความไม่ไว้วางใจที่นอกเหนือไปจากการจัดอันดับ ความจริงที่ว่าทั้งสองชุดข้อมูลมีข้อมูลที่ชัดเจนความไว้วางใจจากผู้ใช้ทำให้พวกเขาเหมาะสมมากที่จะศึกษาปัญหาในระบบ recommender ความไว้วางใจเพิ่ม ผู้ใช้สามารถประเมินโดยผู้ใช้อื่น ๆ รวมถึงพวกเขาใน WOT ของพวกเขา (คือรายชื่อของผู้แสดงความคิดเห็นที่มีความคิดเห็นและการให้คะแนนของเขาถูกพบอย่างต่อเนื่องที่จะเป็น valuable7) หรือโดยการวางไว้ในรายการบล็อกของพวกเขา (รายชื่อของผู้เขียนที่มีความคิดเห็นของเขาถูกพบอย่างต่อเนื่องที่จะเป็นที่น่ารังเกียจ , quality7 ที่ไม่ถูกต้องหรือต่ำจึงแสดงให้เห็นความไม่ไว้วางใจ) ในชุดข้อมูลที่กูของการประเมินผลความไว้วางใจให้ขึ้นกราฟ WOT Epinions ประกอบด้วย 114 ผู้ใช้ 222 คนและ 717 129 ไม่ใช่หมายถึงตัวเองความสัมพันธ์ความไว้วางใจ ข้อมูลชุดของมาสซ่ามีข้อมูลเกี่ยวกับ 49 ผู้ใช้ 288 คนที่ออกหรือได้รับ 487 003 งบไว้วางใจทั้งหมด. ทราบว่าข้อมูลชุดเดียวที่มีค่าความไว้วางใจไบนารีด้วยเหตุนี้ในการทดลองของเราตา, ยูใน (20.1) (20.4) และ (20.5) สามารถใช้กับค่า 0 (กรณีที่ไม่มีความไว้วางใจ) และ 1 (นำเสนอแบบเต็มรูปแบบ) เท่านั้น ข้อ จำกัด นี้จะนำไปสู่การปรับเปลี่ยนบางส่วนของขั้นตอนวิธีการไว้วางใจ basesd; เช่นสูตร (20.1) ลดกับค่าเฉลี่ยของคลาสสิก สำหรับความเรียบง่ายที่เราจะพิจารณาการขยายพันธุ์หนึ่งขั้นตอนในบทความนี้ ซึ่งหมายความว่าสำหรับรุ่นแพร่กระจายของ (20.4) และ (20.5) เราพิจารณาโซ่ความยาว 1 และ 2 ในขณะที่สำหรับ (20.2) เราพิจารณาโซ่ความยาว 2 เมื่อไม่มีโซ่สั้นที่มีอยู่ ทั้งสอง simplifications วางข้อ จำกัด ในการเปรียบเทียบเชิงประจักษ์ของเราเพราะเราไม่สามารถวิเคราะห์ขั้นตอนวิธีการตรงตามที่พวกเขาหมาย / ออกแบบมาให้

Results (Thai) 3:

20.3.3 เชิงเปรียบเทียบ
คำถามหนึ่งที่ยืนออกคือที่ของรัฐ - of - the - art วิธีที่กล่าวข้างต้นแสดงที่ดีที่สุดในการปฏิบัติ โดยทั่วไปแล้ว นักวิจัยในความไว้วางใจที่ใช้แนะนำสนามแนะนำขั้นตอนวิธีของตัวเองใหม่และประเมินเหล่านี้ในงานของตนเอง และ / หรือข้อมูลชุดโดยไม่รวมถึงการเปรียบเทียบ trustenhanced วิธีอื่นตามข้อมูลชุดเดียวกัน / โปรแกรม ดังนั้น ในส่วนที่เหลือของส่วนนี้เราให้ศีรษะเปรียบเทียบประสิทธิภาพที่กล่าวก่อนหน้านี้เชื่อเทคนิคขั้นสูงสามารถบรรลุในและข้อมูลชุดเดียวกัน เรามุ่งเน้น golbeck เชื่อใจตามหมายถึงถ่วงน้ำหนัก tidaltrust ( อีคิว ( 20.1% ) )มาใช้ร่วมกันกับ moletrust ไว้วางใจกรอง ( อีคิว ( 20.4 ) และ o'donovan เชื่อใจการกรองพื้นฐาน ( อีคิว ( 820 ) เพราะเป้าหมายของเราคือการเปรียบเทียบเทคนิคทั้งหมดในเดียวกัน ชุดข้อมูล และศึกษาอิทธิพลของความไว้วางใจการที่เราได้เลือกที่จะไม่ใช้กลยุทธ์สร้างความไว้วางใจ o'donovan อัตโนมัติ แต่ของเครือข่ายที่เชื่อถือเช่นเดียวกับอีกสองกลยุทธ์แม้ว่า o'donovan et al . ไม่ใช้เชื่อการเผยแผ่ในการทดลอง [ 46 ] มันเป็นหลักสูตรที่เป็นไปได้ที่จะทำ เนื่องจากไม่มีการใช้งานที่ชัดเจนของค่าความน่าเชื่อถือใน ( เรือ ) , เราเพียง แต่ต้องระบุว่า การแพร่ขยาย RT ( ดูด้านล่าง ) .


20.3.3.1 ชุดข้อมูลชุดข้อมูลที่เราใช้ในการทดลองได้จาก epinions.com ของเรา ,ความนิยมเว็บไซต์อีคอมเมิร์ซที่ผู้ใช้สามารถเขียนรีวิวเกี่ยวกับสินค้าอุปโภคบริโภคและกำหนดคะแนนให้กับสินค้าและการวิจารณ์ สอง epinions ชุดข้อมูลมักจะใช้สำหรับการทดลองเชื่อเพิ่มแนะนำระบบ คนแรกเพื่อมา bhattacharjee [ 39 ] และในสัมพันธภาพ รวบรวมข้อมูลและมี 139 738 ผลิตภัณฑ์ที่ถูกจัดอันดับโดย 49 290 ผู้ใช้ทั้งหมดผลิตภัณฑ์ที่ผู้บริโภคได้รับจากระดับ 1 ถึง 5 สองชุดข้อมูลที่ถูกรวบรวมโดย guha et al . [ 21 ] : ขนาดชุดข้อมูลประกอบด้วย 1 560 144 ความคิดเห็นที่ได้รับการจัดอันดับโดย 25 170 637 163 และผู้ใช้ที่แตกต่างกัน ความคิดเห็นที่ได้รับการประเมินโดยระบุประโยชน์คะแนนซึ่งช่วงจาก ' ประโยชน์ไม่ ' ( 1 / 5 ) ' ประโยชน์ ' ( 5 / 5 )ข้อมูลชุดนี้ไม่ได้มีข้อมูลใด ๆเกี่ยวกับผลิตภัณฑ์ของผู้บริโภคและการจัดอันดับของผลิตภัณฑ์ แต่ด้วยผลงานที่รีวิวและให้คะแนนรีวิวแทน ; ในคำอื่น ๆสำหรับข้อมูลชุดนี้ เราได้หารือและประเมินระบบตรวจสอบแนะนำ

' ' ดังนั้น ในบริบทของ guha ชุดสินค้า หมายถึง ความคิดเห็นของผู้บริโภคสินค้า ในขณะที่สำหรับคลานข้อมูลสินค้า หมายถึง สินค้าที่ผู้บริโภค

ในการทดลองของเรา เรามุ่งเน้นไปที่จำนวนของข้อเสนอแนะ / การคาดการณ์ที่สามารถสร้างขึ้นจากระบบ และการคาดการณ์ผิด สำหรับรายการแบบสุ่มเช่นเดียวกับรายการที่ขัดแย้ง หลังรายการที่ท้าทายมากที่สุดสำหรับระบบแนะนำเพราะมันเป็นการยากมากที่จะทำนายคะแนนสำหรับสินค้าที่ได้รับความหลากหลายของสูงและคะแนนต่ำสะท้อนให้เห็นถึงข้อขัดแย้งเกี่ยวกับรายการ มากกว่าในกรณีอื่นใด มีแนวทางที่ผู้ใช้ต้องการที่จะเป็นอย่างแท้จริงส่วนบุคคลเมื่อเป้าหมายรายการภายใต้การพิจารณาถกเถียงกัน คือ เมื่อสินค้ามีทั้ง ' ' และ ' ' แรงจูงใจกระตือรือร้นสนับสนุนคู่แข่ง ' โดยที่ยังไม่มีเสียงข้างมากในทั้งสองกลุ่ม ใน [ 63 ] , วิคเตอร์ et al .อธิบายว่าทำไมส่วนเบี่ยงเบนมาตรฐานคลาสสิกไม่เพียงพอที่จะตรวจสอบจริงแย้งรายการในชุดข้อมูล และเสนอมาตรการใหม่ เพื่อกำหนดระดับของ controversiality รายการเฉพาะ วิธีการของพวกเขาไปสู่การขัดแย้งใน guha 1 416 รายการของชุดข้อมูลและ 266 ใน มาเป็นชุดข้อมูล .

เราอ้างถึง [ 63 ] สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับ controversiality การคำนวณได้การเปรียบเทียบประสิทธิภาพความสําหรับรายการขัดแย้ง ( CIS ) ด้วยประสิทธิภาพที่สามารถหาได้โดยทั่วไป เรายังนำเสนอการคุ้มครองโดยเฉลี่ย และความถูกต้อง 1 และ 266 รายการดัง ' เลือก ' สุ่ม ( RIS ) ( ที่ได้รับการประเมินอย่างน้อย 20 ครั้ง คล้ายกับรายการขัดแย้ง )