Recommendation systems make suggest

Recommendation systems make suggestions
about artifacts to a user. For instance, they may
predict whether a user would be interested in
seeing a particular movie. Social recomendation
methods collect ratings of artifacts from many individuals,
and use nearest-neighbor techniques to
make recommendations to a user concerning new
artifacts. However, these methods do not use the
significant amount of other information that is
often available about the nature of each artifact
-- such as cast lists or movie reviews, for example.
This paper presents an inductive learning
approach to recommendation that is able to use
both ratings information and other forms of information
about each artifact in predicting user
preferences. We show that our method outperforms
an existing social-filtering method in the
domain of movie recommendations on a dataset
of more than 45,000 movie ratings collected from
a community of over 250 users.

Results (Thai) 1:

ระบบข้อเสนอแนะให้คำแนะนำเกี่ยวกับโบราณวัตถุผู้ใช้ ตัวอย่าง พวกเขาอาจคาดการณ์ว่า ผู้ใช้จะมีความสนใจในดูหนังเฉพาะ คำแนะนำทางสังคมวิธีการเก็บรวบรวมจัดอันดับสิ่งประดิษฐ์จากบุคคลจำนวนมากและใช้เทคนิคใกล้บ้านเพื่อแนะนำให้ผู้ที่เกี่ยวข้องกับใหม่สิ่งประดิษฐ์ อย่างไรก็ตาม ไม่ได้ใช้วิธีการจำนวนข้อมูลอื่น ๆ ที่สำคัญมักจะมีธรรมชาติของแต่ละสิ่งประดิษฐ์-เช่นหล่อรายการหรือบทวิจารณ์ภาพยนตร์ ตัวอย่างเอกสารนี้นำเสนอการเรียนรู้เชิงอุปนัยวิธีการคำแนะนำที่สามารถใช้ข้อมูลการจัดอันดับและข้อมูลในรูปแบบอื่น ๆเกี่ยวกับสิ่งประดิษฐ์แต่ละในการทำนายผู้ใช้การกำหนดลักษณะ แสดงว่า วิธีการของเรา outperformsอยู่สังคมที่มีการกรองวิธีการในการโดเมนของภาพยนตร์คำแนะนำในการชุดข้อมูลจัดอันดับภาพยนตร์มากกว่า 45000 ที่รวบรวมจากชุมชนของผู้ใช้มากกว่า 250

Results (Thai) 2:

ระบบคำแนะนำให้คำแนะนำ
เกี่ยวกับสิ่งประดิษฐ์ให้กับผู้ใช้ ตัวอย่างเช่นพวกเขาอาจ
คาดการณ์ว่าผู้ใช้จะมีความสนใจใน
การมองเห็นภาพยนตร์โดยเฉพาะอย่างยิ่ง recomendation สังคม
วิธีการรวบรวมจัดอันดับของสิ่งประดิษฐ์จากบุคคลหลาย
และใช้เทคนิคที่ใกล้ที่สุดเพื่อนบ้านที่จะ
ให้คำแนะนำแก่ผู้ใช้เกี่ยวกับใหม่
สิ่งประดิษฐ์ แต่วิธีการเหล่านี้ไม่ได้ใช้
จำนวนมากของข้อมูลอื่น ๆ ที่เป็น
มักจะใช้ได้เกี่ยวกับธรรมชาติของแต่ละสิ่งประดิษฐ์
-. เช่นรายการโยนหรือบทวิจารณ์ภาพยนตร์ตัวอย่างเช่น
บทความนี้นำเสนอการเรียนรู้อุปนัย
แนวทางในการเสนอแนะที่สามารถใช้
ทั้งข้อมูลการจัดอันดับและรูปแบบอื่น ๆ ของข้อมูล
เกี่ยวกับแต่ละสิ่งประดิษฐ์ในการพยากรณ์การใช้งาน
การตั้งค่า เราแสดงให้เห็นว่าวิธีการของเรามีประสิทธิภาพดีกว่า
วิธีการทางสังคมการกรองที่มีอยู่ใน
โดเมนของคำแนะนำภาพยนตร์ในชุดข้อมูลที่
มากกว่า 45,000 การจัดอันดับภาพยนตร์ที่เก็บจาก
ชุมชนกว่า 250 ผู้ใช้

Results (Thai) 3:

ระบบแนะนำเสนอแนะ
เกี่ยวกับสิ่งประดิษฐ์เพื่อผู้ใช้ ตัวอย่างเช่นพวกเขาอาจ
ทำนายว่า ผู้ใช้จะสนใจ
ดูหนังโดยเฉพาะ วิธีการจัดอันดับของ recomendation
สังคมเก็บรวบรวมโบราณวัตถุที่ได้จากบุคคลหลาย

และใช้เทคนิคเพื่อนบ้านที่ใกล้ที่สุดเพื่อให้คำแนะนำกับผู้ใช้เกี่ยวกับสิ่งประดิษฐ์ใหม่

อย่างไรก็ตาม วิธีการเหล่านี้ไม่ได้ใช้
ปริมาณข้อมูลอื่น ๆที่
มักจะใช้ได้เกี่ยวกับธรรมชาติของแต่ละสิ่งประดิษฐ์
-- เช่นรายการโยน หรือวิจารณ์หนัง ตัวอย่าง กระดาษนี้นำเสนอแนวทางการเรียนรู้

อุปนัยเพื่อคำแนะนำที่สามารถใช้ทั้งการจัดอันดับ
ข้อมูลและรูปแบบอื่น ๆของข้อมูลเกี่ยวกับแต่ละสิ่งประดิษฐ์
ทำนายความชอบของผู้ใช้

เราแสดงวิธีการของเรามีประสิทธิภาพดีกว่า
ที่มีอยู่ในสังคม การกรองวิธี
โดเมนแนะนำหนังในชุดข้อมูล
มากกว่า 45 , 000 ภาพยนตร์คะแนนเก็บจาก
ชุมชนกว่า 250 ราย