20.3.2.2 Automatic Trust Generation

20.3.2.2 Automatic Trust Generation
The algorithms discussed in the previous section require explicit trust input from the users. As a consequence, the applications that use such an algorithm must provide a means to obtain the necessary information; think e.g. of FilmTrust or Moleskiing. However, this might not always be possible or feasible. In such cases, methods that automatically infer trust estimates, without needing explicit trust information, might be a better solution. An example of such a system can be found in [47].

Most commonly, these approaches base their trust generation mechanism on the past rating behaviour of the users in the system. More specifically, deciding to what degree a particular user should participate in the recommendation process is influenced by his history of delivering accurate recommendations. Let us exemplify this with the well-known approach of O’Donovan et al. [46].

Profile- and item-level trust Our intuition tells us that a user who has made a lot of good recommendations in the past can be viewed as more trustworthy than other users who performed less well. To be able to select the most trustworthy users in the system, O’Donovan introduced two trust metrics, viz. profile-level and item-level trust, reflecting the general trustworthiness of a particular user u, and the trustworthiness of a user u with respect to a particular item i, respectively. Both trust metrics need to compute the correctness of u’s recommendations for the target user a. In particular, a prediction pa,i that is generated only by information coming from u (hence u is the sole recommender) is considered correct if pa,i is within ? of a’s actual rating ra,i.

The profile-level trust tP
u for u is then defined as the percentage of correct recommendations that u contributed. Remark that this is a very general trust measure; in practice it will often occur that u perfoms better in recommending a set of specific items. To this aim, O’Donovan also proposed the more fine-grained item-level trust tiu, which measures the percentage of recommendations for item i that were correct.

Hence, in such automated approaches, trust values are not generated via trust propagation and aggregation, but are based on the ratings that were given in the past.

Remark that O’Donovan’s methods are global trust metrics. The way the values are obtained can be seen as probabilistic.

Trust-based filtering Similar to other trust-enhanced techniques, the values that are obtained through the trust metric are used as weights in the recommendation process. Just like Massa, O’Donovan et al. focus on trust-based adaptations of collaborative filtering. In [46] they investigate several options, such as combining the obtained trust values with PCC information. An alternative to this scheme is to use trust values as a filter, so that only the most trustworthy neighbours participate in the recommendation process. This strategy is called trust-based filtering, see Formula (20.5) in which wa,u denotes the PCC and RT+ = RT ?R+.

Results (Thai) 1:

20.3.2.2 สร้างความน่าเชื่อถืออัตโนมัติอัลกอริทึมที่อธิบายไว้ในส่วนก่อนหน้านี้จำเป็นต้องป้อนข้อมูลชัดเจนน่าเชื่อถือจากผู้ใช้ ผล โปรแกรมประยุกต์ที่ใช้ขั้นตอนวิธีการดังกล่าวต้องระบุวิธีการได้รับข้อมูลที่จำเป็น คิดเช่น FilmTrust หรือ Moleskiing อย่างไรก็ตาม นี้ไม่เสมออาจเป็นไปได้ หรือเป็นไปได้ ในกรณี วิธีที่รู้ประเมินความน่าเชื่อถือ โดยอัตโนมัติไม่จำเป็นข้อมูลความน่าเชื่อถือชัดเจน อาจจะแก้ปัญหาดีกว่า ตัวอย่างของระบบดังกล่าวสามารถพบได้ใน [47]บ่อย วิธีเหล่านี้ยึดกลไกสร้างความเชื่อถือในพฤติกรรมอันดับอดีตผู้ในระบบ อื่น ๆ โดยเฉพาะ การตัดสินใจระดับใดผู้ใดควรมีส่วนร่วมในการแนะนำได้รับอิทธิพลจากประวัติของเขาส่งคำแนะนำที่ถูกต้อง เรา exemplify นี้รู้จักวิธีของ O'Donovan et al. [46]โพรไฟล์ และสินค้าระดับเชื่อสัญชาตญาณของเราบอกเราว่า ผู้ใช้ที่ได้ทำมากของคำแนะนำที่ดีในอดีต สามารถใช้เป็นน่าเชื่อถือมากขึ้นกว่าผู้อื่นทำไม่ดี สามารถเลือกผู้ใช้ที่เชื่อถือได้มากที่สุดในระบบ O'Donovan แทนนำสองวัด viz.ส่วนกำหนดค่าระดับ และ ระดับสินค้าความน่าเชื่อถือ สะท้อนให้เห็นถึงความน่าเชื่อถือทั่วไปของยูผู้ และน่าเชื่อถือของผู้ใช้ตัว u กับเฉพาะสินค้า ตามลำดับ ต้องคำนวณความถูกต้องของการวัดทั้งความน่าเชื่อถือคำแนะนำสำหรับผู้ใช้เป้าหมายของคุณเป็น โดยเฉพาะ การทำนายป่า ฉันที่สร้างขึ้น โดยเฉพาะข้อมูลที่มาจากยู (จึงเป็นผู้แนะนำแต่เพียงผู้เดียว) ถือว่าถูกถ้าป่า ฉันอยู่ภายใน ของเป็นของจริงคะแนน ra ฉันTP ส่วนกำหนดค่าระดับความน่าเชื่อถือu สำหรับคุณแล้วถูกกำหนดเป็นเปอร์เซ็นต์ของคำแนะนำที่ถูกต้องที่ u ส่วนรวม รีว่า นี้เป็นการวัดความน่าเชื่อถือโดยทั่วไป ในทางปฏิบัติ มันมักจะเกิด perfoms u ที่ดีในการแนะนำชุดของสินค้าเฉพาะ เพื่อจุดมุ่งหมายนี้ O'Donovan เสนอทรายแป้งละเอียดมากสินค้าระดับ tiu มาตรการที่เปอร์เซ็นต์ของคำแนะนำสำหรับสินค้าผมที่ถูกต้องเชื่อถือดังนั้น ในแนวทางดังกล่าวโดยอัตโนมัติ ค่าความน่าเชื่อถือจะไม่ถูกสร้างผ่านการเผยแพร่ความน่าเชื่อถือและการรวม ได้ขึ้นอยู่กับการจัดอันดับที่ได้รับในอดีตรี O'Donovan เป็นวิธีที่ใช้วัดความน่าเชื่อถือทั่วโลก วิธีจะได้รับค่าสามารถมองเห็นเป็น probabilisticค่าที่ได้รับผ่านการวัดความน่าเชื่อถือความไว้วางใจใช้กรองคล้ายกับเทคนิคเพิ่มความน่าเชื่อถือ จะใช้เป็นน้ำหนักในการแนะนำ เหมือนมาซซา O'Donovan et al. เน้นท้องแทนโดยตัวกรองร่วมกัน ใน [46] พวกเขาตรวจสอบหลายตัวเลือก เช่นรวมค่าที่ได้รับความไว้วางใจกับข้อมูล PCC ทางเลือกนี้จะใช้ค่าความน่าเชื่อถือเป็นตัว เพื่อให้เฉพาะเพื่อนบ้านที่น่าเชื่อถือมากที่สุดมีส่วนร่วมในการแนะนำ กลยุทธ์นี้เรียกว่าใช้แทนกรอง ดูสูตร (20.5) ในที่ wa, u แสดงการ PCC และ RT + = RT R +

Results (Thai) 2:

20.3.2.2 เชื่อถือรุ่นอัตโนมัติ
ขั้นตอนวิธีการที่กล่าวถึงในส่วนก่อนหน้านี้จำเป็นต้องมีการป้อนข้อมูลความไว้วางใจจากผู้ใช้อย่างชัดเจน เป็นผลให้การใช้งานที่ใช้ขั้นตอนวิธีการดังกล่าวจะต้องจัดให้มีวิธีที่จะได้รับข้อมูลที่จำเป็น; คิดเช่นของ FilmTrust หรือ Moleskiing แต่นี้อาจจะไม่เสมอจะเป็นไปได้หรือเป็นไปได้ ในกรณีเช่นนี้วิธีที่จะสรุปประมาณการไว้วางใจโดยไม่จำเป็นต้องไว้วางใจข้อมูลที่ชัดเจนอาจจะเป็นทางออกที่ดีกว่า ตัวอย่างของระบบดังกล่าวสามารถพบได้ใน [47]. มากที่สุดวิธีการเหล่านี้ฐานกลไกความไว้วางใจของพวกเขาในการสร้างพฤติกรรมที่ผ่านมาคะแนนของผู้ใช้ในระบบ โดยเฉพาะอย่างยิ่งการตัดสินใจกับสิ่งที่การศึกษาระดับปริญญาของผู้ใช้โดยเฉพาะอย่างยิ่งควรมีส่วนร่วมในกระบวนการเสนอแนะได้รับอิทธิพลจากประวัติศาสตร์ของเขาในการส่งมอบคำแนะนำที่ถูกต้อง ขอให้เราเป็นตัวอย่างนี้ด้วยวิธีการที่รู้จักกันดีของโดโนแวน, et al [46]. Profile- และความไว้วางใจระดับรายการสัญชาตญาณของเราบอกเราว่าผู้ใช้ที่ได้ทำมากของคำแนะนำที่ดีในอดีตที่ผ่านมาสามารถดูได้เป็นที่น่าเชื่อถือมากกว่าผู้ใช้อื่นที่ดำเนินการไม่ดี เพื่อให้สามารถเลือกผู้ใช้งานที่น่าเชื่อถือมากที่สุดในระบบของโดโนแวนเปิดตัวสองตัวชี้วัดความไว้วางใจ ได้แก่ รายละเอียดระดับและความไว้วางใจระดับรายการสะท้อนให้เห็นถึงความน่าเชื่อถือโดยทั่วไปของผู้ใช้โดยเฉพาะยูและความน่าเชื่อถือของผู้ใช้ยูที่เกี่ยวกับรายการเฉพาะฉันตามลำดับ ทั้งสองตัวชี้วัดความไว้วางใจต้องคำนวณความถูกต้องของคำแนะนำของท่านสำหรับผู้ใช้เป้าหมาย โดยเฉพาะอย่างยิ่งต่อการทำนายผมที่ถูกสร้างขึ้นโดยเฉพาะข้อมูลที่มาจากยู (เพราะฉะนั้นยูเป็น recommender แต่เพียงผู้เดียว) ถือที่ถูกต้องหากพ่อผมอยู่ใน? ของคะแนนที่เกิดขึ้นจริงเป็นรา, i. ความไว้วางใจในระดับรายละเอียด TP ยูสำหรับยูถูกกำหนดแล้วเป็นร้อยละของคำแนะนำที่ถูกต้อง u ที่มีส่วนร่วม หมายเหตุว่านี้เป็นตัวชี้วัดความไว้วางใจทั่วไปมาก; ในทางปฏิบัติมันมักจะเกิดขึ้นที่ยูทำหน้าที่ได้ดีกว่าในการแนะนำชุดของรายการที่เฉพาะเจาะจง เพื่อจุดประสงค์นี้โดโนแวนยังเสนอความไว้วางใจที่ละเอียดมากขึ้นระดับรายการ tiu ซึ่งมาตรการร้อยละของคำแนะนำสำหรับรายการที่ผมว่ามีความถูกต้อง. ดังนั้นในวิธีการแบบอัตโนมัติเช่นค่าความไว้วางใจไม่ได้สร้างขึ้นผ่านการขยายพันธุ์และการรวมความไว้วางใจ แต่จะขึ้นอยู่กับการจัดอันดับที่ได้รับในอดีตที่ผ่านมา. หมายเหตุว่าวิธีการของโดโนแวนเป็นตัวชี้วัดความไว้วางใจทั่วโลก วิธีที่ค่าจะได้รับสามารถมองเห็นเป็นความน่าจะเป็น. ความน่าเชื่อถือที่ใช้กรองคล้ายกับเทคนิคการเพิ่มความไว้วางใจอื่น ๆ ค่าที่จะได้รับความไว้วางใจผ่านตัวชี้วัดที่ใช้เป็นน้ำหนักในกระบวนการข้อเสนอแนะ เช่นเดียวกับมาสซ่าโดโนแวน, et al มุ่งเน้นไปที่การปรับตัวความไว้วางใจที่ใช้ในการกรองการทำงานร่วมกัน ใน [46] พวกเขาตรวจสอบหลายตัวเลือกเช่นการรวมค่าความไว้วางใจที่ได้รับมีข้อมูล PCC ทางเลือกให้กับโครงการนี้คือการใช้ค่าความไว้วางใจเป็นตัวกรองเพื่อให้เฉพาะเพื่อนบ้านที่น่าเชื่อถือมากที่สุดส่วนร่วมในกระบวนการข้อเสนอแนะ กลยุทธ์นี้จะเรียกว่าการกรองความไว้วางใจตามที่เห็นสูตร (20.5) ซึ่งวา, ยูหมายถึง PCC และ RT + = RT? R +

Results (Thai) 3:

20.3.2.2 อัตโนมัติรุ่นไว้ใจ
อัลกอริทึมที่กล่าวถึงในส่วนก่อนหน้าต้องเข้าใจชัดเจนจากผู้ใช้ ผลที่ตามมา , โปรแกรมประยุกต์ที่ใช้ขั้นตอนวิธีจะต้องให้วิธีการที่จะได้รับข้อมูลที่จำเป็น เช่น การคิด filmtrust หรือ moleskiing . อย่างไรก็ตาม , นี้อาจจะไม่เสมอเป็นไปได้ หรือเป็นไปได้ ในบางกรณีวิธีการโดยอัตโนมัติสรุปประมาณการ เชื่อโดยไม่ต้องข้อมูลเชื่อถือได้ชัดเจน อาจเป็นทางออกที่ดีกว่า ตัวอย่างของระบบดังกล่าวสามารถพบได้ใน [ 47 ] .

มากที่สุด เหล่านี้วิธีการฐานรุ่นไว้ใจกลไกที่ผ่านมาการประเมินพฤติกรรมของผู้ใช้ในระบบ มากขึ้นโดยเฉพาะการตัดสินใจระดับผู้ใช้โดยเฉพาะควรมีส่วนร่วมในกระบวนการนี้ได้รับอิทธิพลจากการแนะนำประวัติของการแนะนำที่ถูกต้อง ขอยกตัวอย่างนี้ด้วยวิธีการที่รู้จักกันดีของ o'donovan et al .

[ 46 ]โปรไฟล์ของ - และระดับรายการเชื่อสัญชาตญาณของเราบอกเราว่า ผู้ใช้ที่มีมากของข้อเสนอแนะที่ดีในอดีตสามารถดูเชื่อถือมากกว่าผู้ใช้อื่น ๆที่ดำเนินการน้อยดี สามารถเลือกผู้ใช้ที่น่าเชื่อถือมากที่สุดในระบบ o'donovan แนะนำสองเชื่อใจตัวชี้วัดได้แก่ ระดับรายละเอียดและความน่าเชื่อถือระดับรายการสะท้อนให้เห็นถึงความน่าเชื่อถือทั่วไปของผู้ใช้โดยเฉพาะ U และความไว้วางใจของผู้ใช้คุณเกี่ยวกับสินค้าเฉพาะชั้น ตามลำดับ ตัวชี้วัดต้องคำนวณทั้งเชื่อถือความถูกต้องของ U ของคำแนะนำสำหรับผู้ใช้เป้าหมาย . โดยเฉพาะการทำนาย PA ผมที่ถูกสร้างขึ้นโดยเฉพาะข้อมูลที่มาจากคุณ ดังนั้นคุณเป็นผู้แนะนำ แต่เพียงผู้เดียว ) จะถือว่าถูกต้อง ถ้าปาได้ฉันอยู่ ? ของราโรงแรมจริง ผม

เชื่อถือระดับโปรไฟล์ TP
U U แล้วจะกำหนดเป็นเปอร์เซ็นต์ของข้อเสนอแนะที่ถูกต้องที่คุณส่วน หมายเหตุนี้เป็นทั่วไปมาก เชื่อมาตรการ ในทางปฏิบัติก็มักจะเกิดขึ้นที่คุณ perfoms ดีกว่าในเรื่องชุดของรายการที่เฉพาะเจาะจง เพื่อจุดมุ่งหมายนี้ o'donovan ยังเสนออย่างละเอียดเพิ่มเติมรายการระดับความน่าเชื่อถือติ้ว ,ซึ่งวัดค่าแนะนำสำหรับรายการที่ถูกต้อง

ดังนั้นในวิธีการอัตโนมัติค่าความไว้วางใจไม่ได้สร้างผ่านการเชื่อถือและการรวม แต่จะขึ้นอยู่กับคะแนนที่ได้รับในอดีต

หมายเหตุที่ o'donovan เป็นวิธีสากลเชื่อมาตรวัด วิธีค่าได้สามารถเห็นได้เป็น 11 .

ไว้ใจเชื่อใจคนอื่นเพิ่มการกรองพื้นฐานคล้ายกับเทคนิค คุณค่าที่ได้รับผ่านความไว้วางใจระบบเมตริกใช้น้ำหนักในกระบวนการต่าง ๆ เหมือนมา o'donovan , et al . เน้นความไว้วางใจโดยดัดแปลงจากแบบกรอง ใน [ 46 ] พวกเขาตรวจสอบตัวเลือกต่างๆเช่นการรวมค่าข้อมูลที่ได้รับความไว้วางใจกับ PCCทางเลือกของแผนนี้คือการใช้ค่าเชื่อเป็นตัวกรองไง มีแต่เพื่อนบ้านที่น่าเชื่อถือมากที่สุดมีส่วนร่วมในกระบวนการต่าง ๆ กลยุทธ์นี้เรียกว่าไว้ใจการกรองพื้นฐาน เห็นสูตร ( 20.5 ) ที่วา u แสดงทศนิยม PCC ทุกคน = RT ? R .