• In the offline stage, it efficien

• In the offline stage, it efficiently performs low rank approximation for the weighted adjacency matrix of the two bipartite graphs, using the Lanczos algorithm [8] for symmetrically partitioning the graphs into multi-class clusters. Moreover, a novel node ranking scheme is proposed to rank the nodes corresponding to tags within each cluster. Next, it applies a Poisson mixture model to learn the document distributions for each class.
• In the online stage, given a document vector, based on the joint probabilities of the tags and the document, tags are recommended for this document based on their within-cluster ranking.

As explained in [32], this two-stage framework can be interpreted as an unsupervised-supervised learning procedure. During the offline stage, nodes are partitioned into clusters (unsupervised learning) and cluster labels are assigned to document nodes, acting as “class” labels. Moreover, tag nodes are given ranks in each cluster. A mixture model is then built based on the distribution of document and word nodes. In the online stage, a document is classified (supervised learning) into predefined clusters acquired in the first stage by naive Bayes, so that tags can be recommended in the descending orders of their ranks.

Song et al. [32] emphasize the efficiency of the approach, which is guaranteed by the Poisson mixture modeling that allows recommendations in linear-time. Experimental results with two large data sets crawled from CiteULike (9,623 papers and 6,527 tags) and Delicious (22,656 URLs and 28,457 tags) show that recommendations can be provided within one second.

Different content-based methods to suggest tags, given a resource, have also been investigated recently by Illig et al. [14].

Results (Thai) 1:

•ในระยะออฟไลน์ มันมีประสิทธิภาพดำเนินประมาณอันดับต่ำสำหรับถ่วงน้ำหนัก adjacency ของกราฟสองส่วนบริบูรณ์สอง โดยใช้ขั้นตอนวิธี Lanczos [8] ในตำแหน่งพาร์ทิชันกราฟลงในคลัสเตอร์หลายชั้น นอก มีเสนอโครงร่างจัดอันดับนวนิยายโหนการที่สอดคล้องกับแท็กภายในคลัสเตอร์แต่ละโหน ถัดไป มีแบบผสมปัวเพื่อเรียนรู้การแจกจ่ายเอกสารสำหรับแต่ละคลาส•ในระยะออนไลน์ กำหนดเวกเตอร์เอกสาร ตามกิจกรรมร่วมของแท็กและเอกสาร แท็กจะแนะนำในเอกสารนี้ตามการจัดอันดับภายในคลัสเตอร์ตามที่อธิบายไว้ใน [32], กรอบสองระยะนี้สามารถตีความเป็นกระบวนการเรียนรู้ unsupervised-แบบมีผู้สอน ในระหว่างขั้นตอนออฟไลน์ โหนแบ่งคลัสเตอร์ (unsupervised เรียน) และกำหนดให้กับเอกสารโหน ทำหน้าที่เป็น "คลาส" ป้ายชื่อป้ายชื่อคลัสเตอร์ นอกจากนี้ โหนแท็กจะได้รับยศในแต่ละคลัสเตอร์ แบบผสมเป็นสร้างแล้วตามการกระจายของโหนเอกสารและ word ในขั้นตอนออนไลน์ เอกสารได้ลับ (มีเรียน) เข้ามาในระยะแรก โดยขำน่า Bayes คลัสเตอร์ที่กำหนดไว้ล่วงหน้าเพื่อให้แท็กสามารถแนะนำในใบสั่งการเรียงอันดับของพวกเขาเพลง et al. [32] เน้นประสิทธิภาพของวิธีการ ซึ่งจะรับประกัน โดยโมเดลผสมปัวที่ช่วยให้คำแนะนำในเส้นเวลา ผลการทดลองกับชุดข้อมูลขนาดใหญ่สองตระเวนจาก CiteULike (เอกสาร 9,623 และแท็ก 6,527) และอร่อย (Url 22,656 และแท็ก 28,457) แสดงว่า สามารถให้คำแนะนำภายในหนึ่งวินาทีเนื้อหาตามวิธีแนะนำแท็ก ทรัพยากร กำหนดให้มียังถูกตรวจสอบเมื่อเร็ว ๆ นี้โดย Illig et al. [14]

Results (Thai) 2:

•ในขั้นตอนออฟไลน์ได้อย่างมีประสิทธิภาพดำเนินการประมาณยศต่ำเมทริกซ์ถ้อยคำถ่วงน้ำหนักของทั้งสองฝ่ายกราฟโดยใช้อัลกอริทึม Lanczos [8] สำหรับสมมาตรกราฟแบ่งออกเป็นกลุ่มหลายระดับ นอกจากนี้ยังมีรูปแบบการจัดอันดับโหนดนวนิยายมีการเสนอในการจัดอันดับโหนดที่สอดคล้องกับแท็กที่อยู่ในแต่ละกลุ่ม ถัดไปก็ใช้รูปแบบ Poisson ส่วนผสมที่จะเรียนรู้การกระจายเอกสารสำหรับแต่ละชั้นเรียน.
•ในขั้นตอนออนไลน์ได้รับเอกสารเวกเตอร์อยู่บนพื้นฐานของความน่าจะเป็นร่วมกันของแท็กและเอกสาร, แท็กมีการแนะนำสำหรับเอกสารนี้อยู่บนพื้นฐานของพวกเขาภายใน การจัดอันดับ -cluster. ตามที่อธิบายใน [32] นี้กรอบการทำงานสองขั้นตอนสามารถตีความได้ว่าขั้นตอนการเรียนรู้ภายใต้การดูแลใกล้ชิด ในระหว่างขั้นตอนครับโหนดจะถูกแบ่งออกเป็นกลุ่ม (การเรียนรู้ใกล้ชิด) และป้ายชื่อกลุ่มที่ได้รับมอบหมายไปยังโหนดเอกสารทำหน้าที่เป็น "ระดับ" ฉลาก นอกจากนี้โหนดแท็กจะได้รับการจัดอันดับในแต่ละกลุ่ม รูปแบบผสมที่แล้วสร้างขึ้นบนพื้นฐานการแจกจ่ายเอกสารและโหนดคำ ในขั้นตอนออนไลน์เอกสารจัดประเภท (การเรียนรู้ภายใต้การดูแล) ลงในกลุ่มที่กำหนดไว้ล่วงหน้าได้มาในขั้นตอนแรกโดยไร้เดียงสา Bayes เพื่อให้แท็กสามารถแนะนำในการสั่งซื้อลงมาของการจัดอันดับของพวกเขา. เพลง et al, [32] เน้นประสิทธิภาพของวิธีการที่มีการประกันโดยการสร้างแบบจำลอง Poisson ส่วนผสมที่ช่วยให้คำแนะนำในการเชิงเส้น ผลการทดลองที่มีสองชุดข้อมูลขนาดใหญ่จากการรวบรวมข้อมูล CiteULike (9623 เอกสารและแท็ก 6527) และอร่อย (22,656 และ 28,457 URL ที่แท็ก) แสดงให้เห็นว่าคำแนะนำที่สามารถให้บริการได้ภายในหนึ่งวินาที. วิธีการตามเนื้อหาที่แตกต่างกันที่จะแนะนำแท็กให้ทรัพยากรที่มี นอกจากนี้ยังมีการตรวจสอบเร็ว ๆ นี้โดย Illig et al, [14]

Results (Thai) 3:

- ในออฟไลน์ขั้นตอนได้อย่างมีประสิทธิภาพการประมาณตำแหน่งต่ำเพื่อถ่วงน้ำหนักถ้อยคำเมทริกซ์สองทวิภาคีกราฟ โดยใช้ขั้นตอนวิธี Lanczos [ 8 ] สำหรับการเป็นมัลติกราฟเป็นตายร้ายดีกลุ่มเรียน นอกจากนี้นวนิยายโหนดการจัดอันดับโครงการเสนอเพื่อจัดอันดับโหนดที่สอดคล้องกับแท็กภายในแต่ละกลุ่ม ต่อไปมันใช้ส่วนผสมแบบปัวส์ซอง เพื่อเรียนรู้เอกสารแจกแต่ละชั้นเรียน .
- ในเวทีออนไลน์ ได้รับเอกสารเวกเตอร์ตามข้อต่อความน่าจะเป็นของแท็กและเอกสาร แท็กจะแนะนำสำหรับเอกสารนี้อยู่บนพื้นฐานของการจัดอันดับของพวกเขาภายในกลุ่ม

ตามที่อธิบายไว้ใน [ 32 ] , สองขั้นตอนนี้ กรอบ สามารถตีความเป็น unsupervised มีกระบวนการเรียนการสอนระหว่างครับเวที โหนดคลัสเตอร์ ( แบ่งเป็นดาวแคระดำ ) และป้ายกลุ่ม มอบหมายให้โหนเอกสาร ทำตัวเป็น " คลาส " ฉลาก นอกจากนี้แท็กโหนดจะได้รับการจัดอันดับในแต่ละกลุ่ม การผสมแบบสร้างตามการกระจายของเอกสารและต่อมคำ ในเวทีออนไลน์เอกสารที่เป็นความลับ ( การเรียนรู้แบบ Supervised Learning ) ในกลุ่มที่กำหนดไว้ล่วงหน้าที่ได้มาในขั้นตอนแรกโดย Naive Bayes เพื่อให้แท็กสามารถลงแนะนำในคำสั่งของการจัดอันดับของพวกเขา

เพลง et al . [ 32 ] เน้นประสิทธิภาพของวิธีการ ซึ่งการันตีด้วยส่วนผสมที่ช่วยให้คำแนะนำการจราจรในเวลาเชิงเส้นผลการทดลองกับข้อมูลสองชุดใหญ่ คลานจาก citeulike ( 9623 เอกสารและ 6527 แท็ก ) และอร่อย ( 22656 URL และ 28457 แท็ก ) แสดงให้เห็นว่าคำแนะนำสามารถให้บริการได้ภายในหนึ่งวินาที

ที่แตกต่างกันเนื้อหาวิธีการแนะนำแท็กได้รับทรัพยากร ยังได้รับการตรวจสอบเมื่อเร็ว ๆนี้โดยอีลิก et al . [ 14 ]