items in common with a (otherwise t

items in common with a (otherwise the PCC can not be computed). In between these extremes, the coverage for TidalTrust (20.1) is a bit higher than that of MoleTrust (20.4) because the latter can only generate predictions for target users who have rated at least two items, otherwise the average rating for the target user can not be computed).

This ranking of approaches in terms of coverage still applies when propagated trust information is taken into account, but note that the difference with collaborative filtering has shrunk considerably. In particular, thanks to trust propagation, the coverage increases with about 25% (10%) for controversial (randomly selected) items in the first set, and more than 30% in the second set.

For Guha’s data set, the coverage results for controversial items are significantly lower than those for randomly selected items. This is due to the fact that, on average, controversial items in this data set receive less ratings than randomly selected items, which yields less leave-one-out experiments per item, but also a smaller chance that such an item was rated by a user with whom the target user a has a positive PCC, or by a user that a trusts. This also explains the lower coverage results for the nontrivial recommendation strategies. The same observations cannot be made for Massa’s data set: on average, the CIs receive more ratings than the RIs (21 131 vs. 12 741). This explains the somewhat lower coverage performance of the algorithms on the random item set.

Also remark that the coverage results for Massa’s data set are significantly lower in general than those for Guha’s; (20.1), (20.4) and (20.5) achieve a coverage that is at least 20% worse. Users in Guha’s data set rate much more items than users in Massa’s data set, which yields less users who have rated the same items, i.e., neighbours (through trust or PCC) that are needed in the computation.

20.3.3.3 Accuracy
As with coverage, the accuracy of a recommender system is typically assessed by using the leave-one-out method, more in particular by determining the deviation between the hiding ratings and the predicted ratings. In particular, we use two well-known measures, viz. mean absolute error (MAE) and root mean squared error (RMSE) [22]. The first measure considers every error of equal value, while the latter one emphasizes larger errors. Since reviews and products are rated on a scale from 1 to 5, the extreme values that MAE and RMSE can reach are 0 and 4. Even small improvements in RMSE are considered valuable in the context of recommender systems.

For example the Netflix prize competition9 offers a $1 000 000 reward for a reduction of the RMSE by 10%.

The MAE and RMSE reported in Table 20.3 is overall higher for the controversial items than for the randomly selected items. In other words, generating good predictions for controversial items is much harder than for randomly chosen items.

Results (Thai) 1:

สินค้าเหมือนกับ (หรือ PCC สามารถไม่ถูกคำนวณ) ได้ ระหว่างที่สุดเหล่านี้ ความครอบคลุมสำหรับ TidalTrust (20.1) เป็นบิตสูงกว่า ของ MoleTrust (ยัง 20.4) เนื่องจากหลังสามารถเพียงสร้างคาดการณ์สำหรับผู้ใช้ปลายทางที่มีคะแนนน้อยสองรายการ หรือคะแนนเฉลี่ยสำหรับผู้ใช้ปลายทางสามารถไม่ถูกคำนวณ)การจัดอันดับของวิธีในแง่ของความครอบคลุมนี้ยังคงใช้เมื่อแทนที่เผยแพร่ข้อมูลจะนำมาลงบัญชี แต่โปรดสังเกตว่าความแตกต่างกับกรองร่วมมี shrunk มาก โดยเฉพาะ ด้วยการเผยแพร่ความน่าเชื่อถือ ความครอบคลุมเพิ่มขึ้นประมาณ 25% (10%) สำหรับสินค้า (สุ่มเลือก) แย้งในชุดแรก และมากกว่า 30% ในชุดสองสำหรับชุดข้อมูลของ Guha ผลความครอบคลุมสำหรับสินค้าแย้งจะต่ำกว่าสำหรับสินค้าที่เลือกโดยการสุ่ม นี่คือเนื่องจากว่า เฉลี่ย รายการแย้งในข้อมูลชุดนี้ได้รับการจัดอันดับน้อยกว่ารายการสุ่มเลือก ที่ทดลองปล่อยหนึ่งออกน้อยต่อสินค้า แต่ถูกคะแนนขนาดเล็กโอกาสที่สินค้าเหล่านั้นเป็นผู้ที่ผู้ใช้เป้าหมายมี PCC บวก หรือ โดยผู้ใช้ที่มิใช่เป็นการ นี้ยังอธิบายถึงผลความครอบคลุมต่ำสำหรับกลยุทธ์แนะนำ nontrivial ไม่สามารถทำการสังเกตการณ์เดียวกันสำหรับชุดข้อมูลของมาสซา: เฉลี่ย CIs ได้รับการจัดอันดับเพิ่มเติมกว่า RIs (21 131 เทียบกับ 12 741) นี้อธิบายค่อนข้างล่างครอบคลุมประสิทธิภาพการทำงานของอัลกอริทึมที่ชุดสินค้าสุ่มหมายเหตุว่า ผลความครอบคลุมสำหรับชุดข้อมูลของมาสซายังต่ำโดยทั่วไปกว่าสำหรับ Guha ของ (20.1), (ยัง 20.4) และ (20.5) ให้ความคุ้มครองที่เป็นน้อย 20% แย่ ผู้ใช้ในชุดข้อมูลของ Guha อัตราสินค้ามากมากกว่าผู้ใช้ในมาสซาของชุดข้อมูล ที่น้อยกว่าผู้มีอันดับสินค้าเหมือนกัน เช่น ประเทศเพื่อนบ้าน (ผ่านความน่าเชื่อถือหรือ PCC) ที่จำเป็นในการคำนวณ20.3.3.3 ความถูกต้องด้วยความครอบคลุม ความถูกต้องของระบบผู้แนะนำมีโดยทั่วไปประเมิน โดยใช้วิธีปล่อยหนึ่งออก เพิ่มเติมโดยเฉพาะโดยกำหนดความแตกต่างระหว่างอันดับซ่อนและจัดอันดับคาดการณ์ โดยเฉพาะอย่างยิ่ง เราใช้มาตรการสองรู้จัก viz.หมายถึง ข้อผิดพลาดสัมบูรณ์ (แม่) และรากหมายถึง ข้อผิดพลาดที่ยกกำลังสอง (RMSE) [22] วัดแรกพิจารณาทุกข้อผิดพลาดของค่าที่เท่ากัน ในขณะที่หนึ่งหลังเน้นข้อผิดพลาดที่ใหญ่ เนื่องจากรีวิวและผลิตภัณฑ์มีคะแนนในระดับจาก 1 ไป 5 ค่ามากที่แม่และ RMSE สามารถเข้าถึงได้ 0 ถึง 4 ปรับปรุงขนาดเล็กแม้ใน RMSE จะถือว่ามีคุณค่าในบริบทของระบบผู้แนะนำตัวอย่าง competition9 รางวัล Netflix มีรางวัล $1 000 000 สำหรับการลดของ RMSE 10%แม่และ RMSE ใน 20.3 ตารางได้โดยรวมสูงขึ้นสำหรับสินค้าแย้งมากกว่าสำหรับสินค้าที่เลือกโดยการสุ่ม ในคำอื่น ๆ สร้างการคาดการณ์ที่ดีสำหรับสินค้าแย้งได้ชัดกว่าสินค้าท่านได้

Results (Thai) 2:

รายการในการร่วมกันกับ (มิฉะนั้น PCC ไม่สามารถคำนวณได้) ในระหว่างขั้วเหล่านี้ความคุ้มครองสำหรับ TidalTrust (20.1) เป็นบิตสูงกว่า MoleTrust (20.4) เพราะหลังเท่านั้นที่สามารถสร้างการคาดการณ์สำหรับผู้ใช้เป้าหมายที่มีการจัดอันดับอย่างน้อยสองรายการมิฉะนั้นคะแนนเฉลี่ยของผู้ใช้เป้าหมายสามารถ ไม่ได้รับการคำนวณ). การจัดอันดับนี้ของวิธีการในแง่ของความคุ้มครองยังคงใช้เมื่อมีข้อมูลความไว้วางใจแพร่กระจายเป็นที่เข้าบัญชี แต่ทราบว่าแตกต่างกับการกรองการทำงานร่วมกันได้หดมาก โดยเฉพาะอย่างยิ่งขอบคุณที่ไว้วางใจการบริหารจัดการความคุ้มครองที่เพิ่มขึ้นประมาณ 25% (10%) สำหรับความขัดแย้ง (สุ่มเลือก) รายการในชุดแรกและไม่ต่ำกว่า 30% ในชุดที่สอง. สำหรับข้อมูลชุดกูของผลการคุ้มครองสำหรับ รายการที่ถกเถียงกันอย่างมีนัยสำคัญต่ำกว่าสำหรับรายการที่สุ่มเลือก เพราะนี่คือความจริงที่ว่าโดยเฉลี่ยรายการขัดแย้งในข้อมูลชุดนี้ได้รับการจัดอันดับน้อยกว่ารายการที่สุ่มเลือกซึ่งอัตราผลตอบแทนน้อยกว่าการทดลองหนึ่งลาออกต่อรายการ แต่ยังมีโอกาสที่มีขนาดเล็กว่ารายการดังกล่าวได้รับการจัดอันดับโดย ผู้ใช้ที่มีผู้ใช้เป้าหมายมีบวก PCC หรือโดยผู้ใช้ที่ไว้ใจ นอกจากนี้ยังอธิบายผลการคุ้มครองที่ต่ำกว่าสำหรับคำแนะนำกลยุทธ์การขับเคลื่อน สังเกตเดียวกันไม่สามารถทำสำหรับชุดข้อมูลของมาสซ่า: โดยเฉลี่ย CIs ได้รับการจัดอันดับมากกว่า RIS (21 เทียบกับ 12 131 741) นี้จะอธิบายถึงผลการดำเนินงานคุ้มครองค่อนข้างต่ำของขั้นตอนวิธีในการตั้งค่ารายการสุ่ม. ยังกล่าวว่าผลความคุ้มครองสำหรับการตั้งค่าข้อมูลของมาสซ่าอย่างมีนัยสำคัญที่ลดลงโดยทั่วไปกว่าพวกกูของ; (20.1) (20.4) และ (20.5) บรรลุความคุ้มครองที่มีอย่างน้อย 20% ที่เลวร้ายยิ่ง ผู้ใช้งานในข้อมูลกูอัตราการตั้งค่ารายการมากขึ้นกว่าที่ผู้ใช้ในชุดข้อมูลของมาสซ่าที่ทำให้ผู้ใช้น้อยกว่าที่มีการจัดอันดับรายการเดียวกันคือเพื่อนบ้าน (ผ่านความไว้วางใจหรือ PCC) ที่มีความจำเป็นในการคำนวณ. 20.3.3.3 ความแม่นยำเช่นเดียวกับการรายงานข่าว , ความถูกต้องของระบบ recommender มักจะได้รับการประเมินโดยใช้วิธีการหนึ่งลาออกมากขึ้นโดยเฉพาะอย่างยิ่งการกำหนดค่าความเบี่ยงเบนระหว่างการจัดอันดับที่หลบซ่อนตัวและการจัดอันดับที่คาดการณ์ไว้ โดยเฉพาะอย่างยิ่งเราใช้สองมาตรการที่รู้จักกันดี ได้แก่ หมายถึงข้อผิดพลาดที่แน่นอน (แม่) และรากคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) [22] วัดแรกพิจารณาข้อผิดพลาดที่มีค่าเท่ากันทุกคนขณะที่คนหลังเน้นข้อผิดพลาดที่มีขนาดใหญ่ ตั้งแต่ความคิดเห็นและผลิตภัณฑ์ที่ได้รับการประเมินในระดับจาก 1 ถึง 5 ค่ามากที่แม่และ RMSE สามารถเข้าถึงเป็น 0 และ 4 ปรับปรุงขนาดเล็กแม้จะอยู่ใน RMSE ได้รับการพิจารณาที่มีคุณค่าในบริบทของระบบ recommender. ยกตัวอย่างเช่น Netflix รางวัลข้อเสนอ competition9 $ 1 000 000 รางวัลสำหรับการลดลงของ RMSE 10%. แม่และ RMSE รายงานในตารางที่ 20.3 โดยรวมที่สูงขึ้นสำหรับรายการที่ขัดแย้งกว่าสำหรับรายการสุ่มเลือก ในคำอื่น ๆ ที่ก่อให้เกิดการคาดการณ์ที่ดีสำหรับรายการที่เป็นที่ถกเถียงกันมากยิ่งกว่าสำหรับรายการที่สุ่มเลือก

Results (Thai) 3:

รายการร่วมด้วย ( ไม่งั้น PCC ไม่สามารถคำนวณ ) ระหว่างสุดขั้วเหล่านี้ ครอบคลุม tidaltrust ( 20.1% ) เป็นบิตมากกว่าที่ moletrust ( 20.4 ) เพราะหลังสามารถสร้างการคาดการณ์สำหรับผู้ใช้เป้าหมายที่ต้องมีรายการอย่างน้อยสอง มิฉะนั้นคะแนนเฉลี่ยของผู้ใช้เป้าหมายไม่สามารถคำนวณค่า

)การจัดอันดับนี้วิธีการที่ในแง่ของความคุ้มครองยังคงใช้เมื่อไปเชื่อข้อมูลที่ถ่ายลงในบัญชี แต่ทราบว่ามีความแตกต่างกับแบบกรองลดลงมาก โดยเฉพาะ ขอบคุณที่ไว้ใจการคุ้มครองเพิ่มขึ้นประมาณ 25% ( 10% ) สำหรับแย้ง ( สุ่ม ) สินค้าในชุดแรกและกว่า 30% ในเซ็ตที่สอง

สำหรับข้อมูล guha ชุดคลุมผลสำหรับรายการขัดแย้งจะลดลง สำหรับสินค้าที่สุ่มเลือก ที่เป็นเช่นนี้เนื่องจากว่า เฉลี่ยรายการขัดแย้งในข้อมูลชุดนี้ได้รับการจัดอันดับน้อยกว่ารายการสุ่ม ซึ่งผลผลิตน้อยลงไปหนึ่งออกจากการทดลองต่อรายการแต่ยังเล็ก เช่น โอกาสที่สินค้าถูกจัดอันดับโดยผู้ใช้ที่ผู้ใช้เป้าหมายเป็นมีดที่เป็นบวก หรือโดยผู้ใช้ที่ไว้ใจ นี้ยังได้อธิบายถึงความคุ้มครองลดผลกลยุทธ์ แนะนำนอนทริเวียล . สังเกตเดียวกันไม่สามารถทำให้มาเป็นชุดข้อมูล : โดยเฉลี่ย , CIS ได้รับเรตติ้งมากกว่า RIS ( 21 131 vs 12 741 )นี้จะอธิบายถึงประสิทธิภาพของอัลกอริทึมค่อนข้างต่ำความคุ้มครองในแบบสุ่มรายการชุด

ยังกล่าวว่า ข่าวการมาเป็นชุดข้อมูลจะลดลงในทั่วไปกว่า guha ; ( 20.1% ) , ( การ ) และ ( 20.5 ) บรรลุความคุ้มครองที่มีอย่างน้อย 20 % อีก ผู้ใช้ใน guha ของชุดข้อมูลอัตรารายการมากกว่าผู้ใช้ใน มาเป็นชุดข้อมูลซึ่งผลผลิตที่ได้มีผู้ใช้น้อย รายการเดียวกัน เช่น เพื่อนบ้าน ( ผ่านความไว้วางใจหรือ PCC ) ที่จำเป็นในการคำนวณ


กับ 20.3.3.3 ความถูกต้องครอบคลุม ความถูกต้องของระบบแนะนำมักจะประเมินโดยใช้วิธีปล่อยออกมามากขึ้นโดยเฉพาะ โดยการหาความแตกต่างระหว่างซ่อนจำกัด และคาดการณ์ของบริษัท โดยเฉพาะอย่างยิ่งเราใช้ 2 มาตรการ ที่รู้จักกันดีได้แก่ ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ ( แม่ฮ่องสอน ) และรากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE ) [ 22 ] วัดแรกที่พิจารณาทุกความผิดพลาดของค่าเท่ากัน ในขณะที่หนึ่งหลังเน้นข้อผิดพลาดใหญ่ ตั้งแต่รีวิวและผลิตภัณฑ์อยู่ในระดับตั้งแต่ 1 ถึง 5 , ค่ามากที่แม่ RMSE สามารถเข้าถึงเป็น 0 และ 4การปรับปรุงขนาดเล็กแม้ RMSE จะถือว่ามีคุณค่าในบริบทของระบบแนะนำ

ตัวอย่าง Netflix รางวัล competition9 เสนอ $ 1 , 000 , 000 รางวัลสำหรับวิธีการลด 10%

แม่ RMSE รายงานตาราง 20.3 โดยรวมที่สูงขึ้นสำหรับรายการขัดแย้งมากกว่าสำหรับการสุ่มเลือกรายการ ในคำอื่น ๆการสร้างการคาดการณ์ที่ดีสำหรับรายการขัดแย้งมากหนักกว่าเพื่อสุ่มเลือกรายการ