Wecompared two algorithms: items sh

We
compared two algorithms: items sharing most attribute values of the purchased items
(“close” recommendation condition) and items belonging to the most deeply visited
general category (“broad” recommendation condition). The operationalization of this
variable was made in the following manner. In the baseline condition (no
personalization), items were randomly selected in the whole database, apart from
the five items already presented during the first visit (to check for a “novelty” effect). In
the “close recommendation” condition, the algorithm was based on the characteristics
of the five items chosen at the end of the first visit. For example, if the item was a
movie, another movie with the same main actor or, if no such item existed in our
database, by the same director, was proposed. In the “broad recommendation”
condition, the algorithm was based on the navigational data. Frequencies were
computed and items belonging to the most frequently visited category (for instance,
poetry books) were recommended.

Results (Indonesian) 1:

Kamidibandingkan dua algoritma: barang-barang yang berbagi nilai-nilai atribut sebagian dari barang yang sudah dibeli("menutup" rekomendasi kondisi) dan barang-barang milik paling sangat sering dikunjungiKategori Umum ("luas" rekomendasi kondisi). Ireguler inivariabel dibuat dengan cara berikut. Dalam kondisi dasar (nopersonalisasi), item secara acak dipilih di seluruh database, terlepas darilima item sudah disajikan selama kunjungan pertama (untuk memeriksa untuk efek "hal baru"). Dalam"dekat rekomendasi" kondisi, algoritma ini didasarkan pada karakteristiklima item dipilih pada akhir kunjungan pertama. Sebagai contoh, jika itemfilm, film lain dengan aktor utama yang sama atau, jika barang tersebut tidak ada di kamidatabase, oleh Direktur sama, telah diusulkan. Dalam "rekomendasi luas"kondisi, algoritma ini didasarkan pada data navigasi. Frekuensi yangdihitung dan barang-barang milik yang paling sering dikunjungi kategori (misalnya,buku-buku puisi) direkomendasikan.

Results (Indonesian) 2:

Kami
membandingkan dua algoritma: item berbagi sebagian atribut nilai barang yang dibeli
( "dekat" kondisi rekomendasi) dan barang-barang milik paling mendalam dikunjungi
kategori umum ( "luas" rekomendasi kondisi). Operasionalisasi ini
variabel dibuat dengan cara berikut. Dalam kondisi baseline (tidak ada
personalisasi), barang-barang yang dipilih secara acak di seluruh database, selain dari
lima item yang sudah disampaikan selama kunjungan pertama (untuk memeriksa efek "baru"). Dalam
kondisi "Rekomendasi dekat", algoritma didasarkan pada karakteristik
dari lima item yang dipilih pada akhir kunjungan pertama. Misalnya, jika item tersebut adalah
film, film lain dengan aktor utama yang sama atau, jika tidak ada item tersebut ada di kami
basis data, oleh sutradara yang sama, diusulkan. Dalam "Rekomendasi yang luas"
kondisi, algoritma ini berdasarkan data navigasi. Frekuensi yang
dihitung dan item yang termasuk kategori paling sering dikunjungi (misalnya,
buku puisi) yang direkomendasikan.