19.5 Comparison of AlgorithmsIn thi

19.5 Comparison of Algorithms
In this section, we briefly discuss the main advantages and disadvantages of the algorithms presented in Section 19.4. Note that we just consider the non contentbased algorithms since they can be compared under a common basis.

We saw in Section 19.4.1 that in order to apply standard CF-based algorithms to folksonomies, some data transformation must be performed. Such transformations lead to information loss, which can lower the recommendation quality. Another well known problem with CF-based methods is that large projection matrices must be kept in memory, which can be time/space consuming thus compromising the ability to perform real-time recommendations. Another problem is that for each different mode to be recommended, the algorithm must be eventually changed, demanding an additional effort for offering multi-mode recommendations.

FolkRank builds on PageRank and proved to give significantly better tag recommendations than CF [15]. This method also allows for mode switching with no change in the algorithm. Moreover, as well as CF-based algorithms, FolkRank is robust against online updates since it does not need to be trained every time a new user, resource or tag enters the system. However, FolkRank is computationally expensive and not trivially scalable, making it more suitable for systems where real-time recommendations is not a requirement.

Similarly to FolkRank, tensor factorization methods work directly on the ternary relations of folksonomies. Although the learning phase can be costly, it can be performed offline. After the model is learned, the recommendations can be done fast, making these algorithms suitable for real-time recommendations. A potential disadvantage of tensor factorization methods is that easy mode switching can only be achieved if one consider that the different recommendation problems, i.e., user/resource/tag, can be addressed by minimizing the same error function. If one chooses HOSVD, for example, the model can be used for multi-mode recommendations with trivial mode switching, but at the cost of evtl. solving the wrong problem: HOSVD minimizes a least-square error function while social tagging RS are more related to ranking. If one tries to optimally reconstruct the tensor w.r.t. an error function targeted to a specific recommendation mode, on the other hand, accuracy is eventually improved for the targetted mode, but at the cost of making mode switching more involved. Figure 19.9 shows a comparison between some of the aforementioned algorithms in a snapshot of the BibSonomy dataset for the tag recommendation problem [26]. Note that the best method is RTF followed by FolkRank and HOSVD.

Table 19.2 summarizes this discussion. Note that the absence of a “X” in Table 19.2 indicates that the corresponding property is not trivially achieved by the algorithm being considered.

Results (Thai) 1:

19.5 เปรียบเทียบอัลกอริทึมในส่วนนี้ เราสั้น ๆ หารือหลักข้อดีและข้อเสียของอัลกอริทึมที่นำเสนอในส่วน 19.4 หมายเหตุที่ เราเพิ่งพิจารณาอัลกอริทึม contentbased ไม่ใช่เฉพาะเนื่องจากสามารถเปรียบเทียบได้ภายใต้ข้อมูลพื้นฐานทั่วไปเราเห็นในส่วน 19.4.1 ว่า การใช้กระบวนการ CF ตามมาตรฐาน folksonomies การแปลงข้อมูลบางอย่างต้องทำ แปลงดังกล่าวทำให้ข้อมูลสูญหาย ซึ่งสามารถลดคุณภาพแนะนำ อีกปัญหารู้จักวิธีใช้ CF ว่า เมทริกซ์ต้องเก็บไว้ในหน่วยความจำ ซึ่งสามารถฉายขนาดใหญ่เวลา/พื้นที่ใช้จึง สูญเสียความสามารถในการแนะนำแบบเรียลไทม์ได้ ปัญหาอื่นคือว่าสำหรับแต่ละโหมดต่าง ๆ เพื่อสามารถแนะนำ อัลกอริทึมต้องในที่สุดเปลี่ยนแปลง เรียกร้องความพยายามเพิ่มเติมสำหรับคำแนะนำหลายโหมดFolkRank สร้างบนรถเข้า และได้ให้คำแนะนำแท็กมากดีกว่า CF [15] วิธีนี้ยังช่วยให้สำหรับวิธีการสลับกับการเปลี่ยนแปลงขั้นตอนวิธีการ นอกจากนี้ เป็นดีเป็น CF ตามอัลกอริทึม FolkRank มีประสิทธิภาพกับการปรับปรุงออนไลน์เนื่องจากไม่จำเป็นต้องได้รับการอบรมทุกครั้งที่เข้าสู่ระบบผู้ใช้ใหม่ ทรัพยากร หรือแท็ก อย่างไรก็ตาม FolkRank ได้ computationally แพง และไม่ trivially สามารถต่อ ขยาย ทำให้เหมาะสำหรับระบบที่แนะนำเวลาจริงไม่ใช่ความต้องการในทำนองเดียวกัน กับ FolkRank, tensor วิธีแยกตัวประกอบได้ในความสัมพันธ์สามของ folksonomies แม้ว่าขั้นตอนการเรียนรู้จะเสียค่าใช้จ่าย ก็สามารถทำแบบออฟไลน์ หลังจากเรียนรู้รูปแบบ คำแนะนำสามารถทำได้รวดเร็ว ทำให้อัลกอริทึมเหล่านี้เหมาะสำหรับคำแนะนำแบบเรียลไทม์ได้ ข้อเสียเป็นวิธีการแยกตัวประกอบ tensor เป็นว่า สลับโหมดง่ายสามารถเฉพาะได้ถ้าหนึ่งเห็นว่าปัญหาข้อเสนอแนะต่าง ๆ เช่น สามารถระบุผู้ใช้/ทรัพยากร/แท็ก โดยลดฟังก์ชันข้อผิดพลาดเดียวกันได้ ถ้าหนึ่งเลือก HOSVD ตัวอย่าง แบบสามารถใช้สำหรับการแนะนำโหมดมัลติสวิตช์เล็กน้อย แต่ ค่า evtl แก้ปัญหาไม่ถูกต้อง: HOSVD ลดฟังก์ชันข้อผิดพลาดน้อยที่สุดสแควร์ขณะสังคมระบุป้าย RS มากเกี่ยวข้องกับการจัดอันดับ ถ้าหนึ่งพยายามอย่างเหมาะสม สร้าง w.r.t. tensor ฟังก์ชันข้อผิดพลาดในการกำหนดเป้าหมายให้คำแนะนำเฉพาะโหมด คง ปรับความถูกต้องในที่สุด สำหรับโหมด targetted แต่ ค่าทำให้การสลับโหมดเกี่ยวข้องมากขึ้น 19.9 รูปแสดงการเปรียบเทียบระหว่างของอัลกอริทึมดังกล่าวในภาพรวมของชุดข้อมูล BibSonomy ปัญหาแนะนำแท็ก [26] โปรดสังเกตว่า วิธีการดีที่สุดตาม ด้วย FolkRank และ HOSVD RTF19.2 ตารางสรุปการสนทนานี้ โปรดสังเกตว่า การขาดงานของ "X" ในตาราง 19.2 ระบุว่า คุณสมบัติที่เกี่ยวข้องไม่ trivially ทำ โดยอัลกอริทึมจะพิจารณา

Results (Thai) 2:

19.5 การเปรียบเทียบอัลกอริทึม
ในส่วนนี้เราสั้นหารือเกี่ยวกับข้อได้เปรียบหลักและข้อเสียของขั้นตอนวิธีการที่นำเสนอในมาตรา 19.4 โปรดทราบว่าเราก็พิจารณาขั้นตอนวิธีการ contentbased เนื่องจากพวกเขาไม่สามารถเทียบภายใต้พื้นฐานที่พบบ่อย. เราเห็นในส่วนที่ 19.4.1 ว่าในการที่จะใช้ขั้นตอนวิธีการมาตรฐาน CF-based เพื่อ folksonomies เปลี่ยนแปลงข้อมูลบางอย่างจะต้องดำเนินการ การเปลี่ยนแปลงดังกล่าวนำไปสู่การสูญเสียข้อมูลซึ่งสามารถลดคำแนะนำที่มีคุณภาพ อีกปัญหาที่รู้จักกันดีด้วยวิธีการ CF ที่ใช้เป็นที่ฝึกอบรมการฉายขนาดใหญ่ต้องเก็บไว้ในหน่วยความจำซึ่งอาจต้องใช้เวลา / พื้นที่การบริโภคจึงไม่สูญเสียความสามารถในการดำเนินการคำแนะนำเรียลไทม์ ปัญหาก็คือว่าสำหรับแต่ละโหมดที่แตกต่างกันจะได้รับการแนะนำขั้นตอนวิธีการต้องมีการเปลี่ยนแปลงในที่สุดความพยายามเรียกร้องเพิ่มเติมสำหรับการเสนอคำแนะนำโหมดมัลติ. FolkRank สร้างขึ้นบนแท่นและพิสูจน์แล้วว่าจะให้คำแนะนำที่ดีขึ้นอย่างมีนัยสำคัญกว่า CF แท็ก [15] วิธีนี้ยังช่วยให้การสลับโหมดที่มีการเปลี่ยนแปลงในขั้นตอนวิธีการไม่มี นอกจากนี้เช่นเดียวกับ CF-ตามขั้นตอนวิธีการ FolkRank มีประสิทธิภาพกับการปรับปรุงออนไลน์เพราะมันไม่จำเป็นต้องได้รับการอบรมทุกครั้งที่ผู้ใช้ทรัพยากรใหม่หรือแท็กเข้าสู่ระบบ อย่างไรก็ตาม FolkRank เป็นคอมพิวเตอร์ราคาแพงและไม่สามารถปรับขนาดได้นิด ๆ ทำให้มันเหมาะสำหรับระบบที่ให้คำแนะนำเวลาจริงไม่จำเป็นต้อง. ในทำนองเดียวกันกับ FolkRank วิธีตีนเป็ดเมตริกซ์ทำงานโดยตรงกับความสัมพันธ์ของ ternary folksonomies แม้ว่าขั้นตอนการเรียนรู้สามารถค่าใช้จ่ายก็สามารถทำได้ออฟไลน์ หลังจากที่รูปแบบการเรียนรู้คำแนะนำที่สามารถทำได้อย่างรวดเร็วทำให้กลไกเหล่านี้เหมาะสำหรับคำแนะนำเรียลไทม์ ข้อเสียที่อาจเกิดขึ้นจากวิธีการตีนเป็ดเมตริกซ์คือการสลับโหมดง่ายสามารถทำได้หากพิจารณาว่าข้อเสนอแนะปัญหาที่แตกต่างกันกล่าวคือผู้ใช้ / ทรัพยากร / แท็กได้รับการแก้ไขโดยการลดการทำงานข้อผิดพลาดเดียวกัน ถ้าคนเราเลือก HOSVD ตัวอย่างเช่นรูปแบบที่สามารถใช้สำหรับคำแนะนำโหมดมัลติกับการสลับโหมดเล็กน้อย แต่ค่าใช้จ่ายของ evtl. การแก้ปัญหาที่ไม่ถูกต้อง: HOSVD ลดน้อยตารางการทำงานข้อผิดพลาดในขณะที่อาร์เอสติดแท็กทางสังคมมีความสัมพันธ์กันมากขึ้นในการจัดอันดับ หากหนึ่งพยายามอย่างดีที่สุดเพื่อสร้าง WRT เมตริกซ์ฟังก์ชั่นข้อผิดพลาดการกำหนดเป้าหมายไปที่โหมดคำแนะนำที่เฉพาะเจาะจงในมืออื่น ๆ ที่ถูกต้องจะดีขึ้นในที่สุดสำหรับโหมดกำหนดเป้าหมาย แต่ค่าใช้จ่ายในการทำโหมดการเปลี่ยนส่วนร่วมมากขึ้น รูปที่ 19.9 แสดงให้เห็นถึงการเปรียบเทียบระหว่างบางส่วนของขั้นตอนวิธีการดังกล่าวในภาพรวมของชุดข้อมูลที่ BibSonomy สำหรับปัญหาข้อเสนอแนะแท็ก [26] โปรดทราบว่าวิธีการที่ดีที่สุดคือ RTF ตาม FolkRank และ HOSVD. 19.2 ตารางสรุปการสนทนานี้ โปรดทราบว่าตัวตนของ "X" ในตารางที่ 19.2 แสดงให้เห็นว่าสถานที่ให้บริการที่สอดคล้องกันนั้นไม่สามารถทำได้นิด ๆ โดยวิธีการพิจารณา

Results (Thai) 3:

ช่วยเปรียบเทียบขั้นตอนวิธี
ในส่วนนี้เราสั้นหารือเกี่ยวกับข้อดีและข้อเสียของอัลกอริทึมที่นำเสนอในส่วน 19.4 . หมายเหตุ ที่เราคิดไม่ contentbased อัลกอริทึมเนื่องจากพวกเขาสามารถเปรียบเทียบภายใต้พื้นฐานทั่วไป .

เราเห็นในส่วน 19.4.1 เพื่อใช้โฆษณาตามมาตรฐานขั้นตอนวิธี folksonomies , การแปลงข้อมูลจะต้องถูกดำเนินการการแปลงดังกล่าวนำไปสู่การสูญหายของข้อมูล ซึ่งสามารถลดคุณภาพแนะนำ ที่รู้จักกันดีอีกปัญหากับ CF ตามวิธีการที่เมทริกซ์ฉายขนาดใหญ่ ต้องเก็บไว้ในหน่วยความจำซึ่งสามารถเวลา / พื้นที่การบริโภคจึงสูญเสียความสามารถในการ แนะนำ แบบเรียลไทม์ อีกปัญหาที่แตกต่างกันในแต่ละโหมดจะแนะนำขั้นตอนวิธีต้องในที่สุดก็เปลี่ยน เรียกร้องความพยายามเพิ่มเติมเพื่อเสนอแนวทางแก้ไข

folkrank สร้าง PageRank และพิสูจน์ให้มากขึ้นกว่าแท็กแนะนำโฆษณา [ 15 ] วิธีนี้ยังช่วยให้โหมดสลับกับไม่มีการเปลี่ยนแปลงในขั้นตอนวิธีการ นอกจากนี้ ตลอดจนโฆษณาตามขั้นตอนวิธีfolkrank แข็งแกร่งกับการปรับปรุงออนไลน์เนื่องจากมันไม่ต้องฝึกทุกครั้งที่ผู้ใช้ใหม่ทรัพยากรหรือแท็กเข้าสู่ระบบ . อย่างไรก็ตาม folkrank เป็น computationally ราคาแพงและไม่ยืดหยุ่นน้อยนิด ทำให้มันเหมาะสำหรับระบบที่แนะนำแบบเรียลไทม์ ไม่ใช่ความต้องการ พบ folkrank

,วิธีการแยกตัวประกอบเมตริกซ์ทำงานโดยตรงบนความสัมพันธ์ Ternary ของ folksonomies . ถึงแม้ว่าขั้นตอนการเรียนรู้สามารถเป็นบทเรียนราคาแพง ที่สามารถดำเนินการได้ครับ หลังจากที่รูปแบบการเรียนรู้ คำแนะนำสามารถทำได้อย่างรวดเร็ว ทำให้ขั้นตอนวิธีเหล่านี้เหมาะสำหรับคำแนะนำแบบเรียลไทม์ข้อเสียที่อาจเกิดขึ้นของวิธีการแยกตัวประกอบของเมตริกซ์ที่สลับโหมดง่ายสามารถทำได้หากพิจารณาที่แตกต่างกัน ข้อเสนอแนะ ปัญหา คือ ผู้ใช้ / ทรัพยากร / แท็กสามารถ addressed โดยการลดฟังก์ชันข้อผิดพลาดเดียวกัน ถ้าเลือก hosvd ตัวอย่างเช่น รุ่นที่สามารถใช้สำหรับแก้ไขข้อเสนอแนะกับสลับโหมดธรรมดา แต่ที่ค่าใช้จ่ายของ evtl .การแก้ปัญหาผิด : hosvd ลดความผิดพลาดกำลังสองน้อยที่สุดการทำงานในขณะที่สังคมให้ RS เป็นเพิ่มเติมที่เกี่ยวข้องกับการจัดอันดับ หากหนึ่งพยายามที่จะดีที่สุดสร้างเมตริกซ์ w.r.t. ข้อผิดพลาดฟังก์ชันเป้าหมายโหมดคำแนะนำที่เฉพาะเจาะจงบนมืออื่น ๆที่ถูกต้องในที่สุดการปรับปรุงเพื่อรับโหมด แต่ที่ค่าใช้จ่ายของการโหมดการมีส่วนร่วมมากกว่านี้ รูปที่ 179 แสดงการเปรียบเทียบบางส่วนของขั้นตอนวิธีดังกล่าวใน ภาพรวมของ bibsonomy ข้อมูลสำหรับปัญหาข้อเสนอแนะแท็ก [ 26 ] โปรดทราบว่าวิธีการที่ดีที่สุดคือ RTF และตามด้วย folkrank hosvd

โต๊ะ 19.2 สรุปการสนทนานี้ หมายเหตุ การขาดงานของ " X " ในโต๊ะ 192 ระบุว่า ทรัพย์สินที่ไม่ใช่ 0 ความโดยขั้นตอนวิธีการพิจารณา