20.3.2 State of the ArtAll these ex

20.3.2 State of the Art
All these examples illustrate that establishing a trust network among the users of a recommender system may contribute to its success. Hence, unsurprisingly, some attempts in this direction have already been made, see for example [15, 23, 30, 37, 46, 49, 51]. Trust-enhanced recommender systems can roughly be divided into two classes, according to the way the trust values are obtained. The first group uses information coming from a trust network that is generated by the direct input of the users, i.e., by explicitly issuing trust statements. Examples can be found in [16, 23, 37]. Such a strategy allows to use trust propagation and aggregation in the network to infer the final trust values that are needed in the recommender algorithm. On the other hand, the second group does not require the user to estimate the trust in his acquaintances. Instead, trust values are computed automatically, for instance based on a user’s history of making reliable recommendations [30, 46], or based on transitivity rules for user-to-user similarity [49].

In the behavioral literature, the concept of trust is well defined; see for example Mayer et al.’s framework in which ability, benevolence, integrity and propensity to trust are determined as its key factors [40], or McAllister’s work that distinguishes between cognition-based and affect-based trust [41]. However, in the recommendation research area, trust is often used as an umbrella term for a wide range of relationships between people, especially when dealing with automatic computation of trust values. In these cases, trust is being used to denote a variety of concepts, ranging from perceived similarity of tastes, over reputation, to the assessment of a user’s competence.

In Section 20.4 we further discuss this in more detail ; in this section, we focus on the basics of both strategies (i.e., mining a trust network and automatic computation of trust values), and illustrate the techniques with representative work in each class.

20.3.2.1 Mining a Trust Network
The most common trust-enhanced recommender strategies ask their users to explicitly issue trust statements about other users. Take for instance Moleskiing [7], a ski mountaineering community site which uses FOAF-files that contain trust information on a scale from 1 to 9 [19], or the e-commerce site Epinions.com which orders reviews based on a trust network that it maintains by asking its users to indicate which members they trust (i.e., their personal web of trust) or distrust (block list).

Another well-known example is Golbeck’s FilmTrust [16], an online social network combined with a movie rating and review system in which users are asked to evaluate their acquaintances’ movie tastes on a scale from 1 to 10.

All these systems exploit the relations in the trust network to determine which opinions or ratings should weigh more or less in the recommendation process. In other words, this group of algorithms uses the trust estimates (obtained by propagation and aggregation) as weights in the decision process. This weighting can be done in several ways. In this section, we focus on the two most commonly used strategies, namely classical weighted average and adaptations of the collaborative filtering mechanism, and illustrate each of them with one well-known state-of-theart implementation.

Trust-based weighted mean In a recommender system without a trust network, a simple recommendation algorithm that needs to estimate how well a target user will like a target item i can compute the average rating for i by taking into account the ratings ru,i from all the system’s users u who are already familiar with i. This baseline recommendation strategy can be refined by computing a trust-based weighted mean. In particular, by including trust values ta,u that reflect the degree to which the raters u are trusted, the algorithm allows to differentiate between the sources. In fact, it is only natural to assign more weight to ratings of highly trusted users. The formula is given by Equation (20.1), in which pa,i denotes the predicted rating of target item i for target user a, and RT represents the set of users who evaluated i and for which the trust value ta,u exceeds a given threshold.

Results (Thai) 1:

20.3.2 ทันสมัยตัวอย่างเหล่านี้แสดงให้เห็นถึงการสร้างเครือข่ายความน่าเชื่อถือในหมู่ผู้ใช้ระบบผู้แนะนำอาจนำไปสู่ความสำเร็จ ดังนั้น ประกอบ บางครั้งในทิศทางนี้ได้ทำ ดูตัวอย่าง [15, 23, 30, 37, 46, 49, 51] ระบบเพิ่มความน่าเชื่อถือผู้แนะนำอย่างคร่าว ๆ จะแบ่งเป็น 2 ชั้น ตามแบบค่าความน่าเชื่อถือจะได้รับ กลุ่มแรกใช้ข้อมูลที่มาจากเครือข่ายความน่าเชื่อถือที่สร้างขึ้น โดยการป้อนข้อมูลโดยตรงของผู้ใช้ เช่น โดยออกคำสั่งแทนอย่างชัดเจน ตัวอย่างสามารถพบได้ใน [16, 23, 37] กลยุทธ์การใช้เผยแพร่ความน่าเชื่อถือและรวมในเครือข่ายที่รู้ค่าความน่าเชื่อถือที่สุดท้ายที่ใช้ในอัลกอริทึมผู้แนะนำได้ บนมืออื่น ๆ กลุ่มที่สองไม่ต้องมีผู้ประเมินความเชื่อมั่นในคนรู้จักของเขา แทน แทนค่าคำนวณโดยอัตโนมัติ เช่นตามประวัติผู้ทำคำแนะนำที่เชื่อถือได้ [30, 46], หรือตามกฎ transitivity สำหรับผู้ใช้ผู้ใช้ความคล้ายคลึงกัน [49]ในวรรณคดีพฤติกรรม แนวคิดของความน่าเชื่อถือเป็นที่กำหนดไว้ ดูตัวอย่างกรอบเมเยอร์และ al. ซึ่งสามารถ เมตตา ความสมบูรณ์ของสิ่งที่เชื่อถือจะถูกเป็นปัจจัยสำคัญของ [40], หรืองานของ McAllister ที่แยกแยะ ตามผล และ ตามประชานแทน [41] อย่างไรก็ตาม ในพื้นที่วิจัยแนะนำ ความน่าเชื่อถือมักใช้เป็นคำเป็นร่มสำหรับหลากหลายของความสัมพันธ์ระหว่างบุคคล โดยเฉพาะอย่างยิ่งเมื่อเผชิญกับอัตโนมัติคำนวณค่าความน่าเชื่อถือ ในกรณีเหล่านี้ ความน่าเชื่อถือที่ใช้แสดงความหลากหลายของแนวคิด ตั้งแต่รับรู้เฉพาะรสชาติ มากกว่าชื่อเสียง การประเมินความสามารถของผู้ใช้ในยัง 20.4 ส่วน เราคุยเกี่ยวกับเรื่องนี้ในรายละเอียดเพิ่มเติม ในส่วนนี้ เราเน้นพื้นฐานของกลยุทธ์ทั้งสอง (เช่น การทำเหมืองแร่เครือข่ายแทนและแทนค่าคำนวณอัตโนมัติ), และแสดงเทคนิคกับงานตัวแทนในแต่ละชั้นเรียน 20.3.2.1 การทำเหมืองแร่เครือข่ายแทนกลยุทธ์ผู้แนะนำเพิ่มความน่าเชื่อถือมากที่สุดขอให้ผู้ที่ใช้อย่างชัดเจนออกรายงานความน่าเชื่อถือเกี่ยวกับผู้ใช้อื่น ๆ ใช้เช่น Moleskiing [7], ไซต์ชุมชนปีนเขาเล่นสกีซึ่งใช้ FOAF แฟ้มที่ประกอบด้วยข้อมูลน่าเชื่อถือในระดับจาก 1 ถึง 9 [19], หรือเว็บไซต์ e-commerce Epinions.com ที่สั่งรีวิวตามเครือข่ายแทนที่จะรักษา โดยการถามผู้ใช้เพื่อบ่งชี้ว่า สมาชิกเหล่านั้นแทน (เช่น ของเวบของบริษัท) หรือระแวง (รายบล็อก)อีกตัวอย่างที่รู้จักคือ FilmTrust ของ Golbeck [16], การร่วมจัดอันดับภาพยนตร์และระบบตรวจสอบซึ่งผู้ใช้จะถูกขอให้ประเมินรสชาติภาพยนตร์ของคนรู้จักของพวกเขาในระดับจาก 1 ไป 10 เครือข่ายสังคมออนไลน์ระบบนี้ใช้ความสัมพันธ์ในเครือข่ายความน่าเชื่อถือเพื่อกำหนดที่ความคิดเห็นหรือการจัดอันดับควรมีน้ำหนักมากน้อยในการแนะนำ ในคำอื่น ๆ กลุ่มของอัลกอริทึมนี้ใช้ประเมินความน่าเชื่อถือ (ได้เผยแพร่และรวม) เป็นน้ำหนักในการตัดสินใจ น้ำหนักนี้สามารถทำได้หลายวิธี ในส่วนนี้ เราเน้นกลยุทธ์มักใช้ที่สอง คือค่าเฉลี่ยถ่วงน้ำหนักที่คลาสสิกและท้องของกรองกลไกความร่วมมือ และแสดงไว้ด้วยหนึ่งรู้จักสถานะของแนวปฏิบัติความน่าเชื่อถือตามน้ำหนักเฉลี่ยในระบบผู้แนะนำโดยเครือข่ายความน่าเชื่อถือ อัลกอริทึมคำแนะนำเรื่องที่จำเป็นในการประเมินผู้ใช้เป้าหมายอย่างไรดีจะต้องเป็นสินค้าเป้าหมายที่ฉันสามารถคำนวณค่าเฉลี่ยคะแนนหา โดยพิจารณา ru อันดับ ฉันจากทั้งหมดของระบบ u ผู้ใช้ที่คุ้นเคยอยู่กับฉัน กลยุทธ์แนะนำพื้นฐานนี้สามารถจะกลั่น โดยคำนวณเฉลี่ยถ่วงน้ำหนักตามความน่าเชื่อถือ โดยเฉพาะ โดยการแทนค่าตา u ที่แสดงระดับที่ raters ที่คุณมีความเชื่อถือ อัลกอริทึมช่วยให้การแยกความแตกต่างระหว่างแหล่งมา ในความเป็นจริง มันเป็นเพียงธรรมชาติกำหนดให้น้ำหนักมากขึ้นกับการจัดอันดับของผู้ใช้ที่เชื่อถือได้สูง สูตรถูกกำหนด โดยสมการ (20.1), ในป่าใด ฉันหมายถึงการคาดการณ์การจัดอันดับสินค้าเป้าหมายฉันสำหรับผู้ใช้เป้าหมาย a และชุดของผู้ประเมินผม RT และสำหรับที่ความเชื่อมั่นค่าตา u เกินขีดจำกัดที่กำหนด

Results (Thai) 2:

20.3.2 รัฐศิลปะ
ตัวอย่างทั้งหมดเหล่านี้แสดงให้เห็นว่าการสร้างเครือข่ายความไว้วางใจในหมู่ผู้ใช้ของระบบ recommender อาจนำไปสู่ความสำเร็จ จึงไม่น่าแปลกใจความพยายามบางอย่างในทิศทางนี้ได้รับแล้วทำดูตัวอย่าง [15, 23, 30, 37, 46, 49, 51] ความน่าเชื่อถือเพิ่มระบบ recommender ประมาณสามารถแบ่งออกเป็นสองชั้นตามวิธีที่ค่าความไว้วางใจที่ได้รับ กลุ่มแรกที่จะใช้ข้อมูลที่มาจากเครือข่ายความไว้วางใจที่สร้างขึ้นโดยการป้อนข้อมูลโดยตรงของผู้ใช้เช่นอย่างชัดเจนโดยการออกงบไว้วางใจ ตัวอย่างสามารถพบได้ใน [16, 23, 37] กลยุทธ์ดังกล่าวจะช่วยให้การใช้การบริหารจัดการความไว้วางใจและการรวมตัวในเครือข่ายเพื่อสรุปค่าความไว้วางใจครั้งสุดท้ายที่มีความจำเป็นในขั้นตอนวิธี recommender บนมืออื่น ๆ , กลุ่มที่สองไม่จำเป็นต้องใช้ในการประมาณการความไว้วางใจในคนรู้จักของเขา แต่ค่าความไว้วางใจจะคำนวณโดยอัตโนมัติตัวอย่างเช่นขึ้นอยู่กับประวัติของผู้ใช้ในการทำคำแนะนำที่เชื่อถือได้ [30 46] หรือขึ้นอยู่กับกฎกริยาสำหรับผู้ใช้ที่จะใช้ความคล้ายคลึงกัน [49]. ในวรรณคดีพฤติกรรมแนวคิดของความไว้วางใจ คือกำหนดไว้อย่างดี; ดูตัวอย่างเมเยอร์ et al, กรอบ. ซึ่งในความสามารถความเมตตากรุณาความซื่อสัตย์และความโน้มเอียงที่จะไว้วางใจจะถูกกำหนดเป็นปัจจัยที่สำคัญของ [40] หรือทำงาน McAllister ที่แตกต่างระหว่างความรู้ความเข้าใจตามและส่งผลกระทบต่อตามความไว้วางใจ [41] อย่างไรก็ตามในพื้นที่วิจัยเสนอแนะไว้วางใจมักจะใช้เป็นคำที่ร่มสำหรับหลากหลายของความสัมพันธ์ระหว่างผู้คนโดยเฉพาะอย่างยิ่งเมื่อต้องรับมือกับการคำนวณอัตโนมัติของค่าความไว้วางใจ ในกรณีนี้ความไว้วางใจจะถูกใช้เพื่อแสดงความหลากหลายของแนวคิดคล้ายคลึงกันตั้งแต่การรับรู้ของรสนิยมมากกว่าชื่อเสียงกับการประเมินความสามารถของผู้ใช้. ในมาตรา 20.4 เรายังหารือในรายละเอียดมากขึ้น ในส่วนนี้เรามุ่งเน้นไปที่พื้นฐานของกลยุทธ์ทั้งสอง (เช่นการทำเหมืองแร่เครือข่ายความไว้วางใจและการคำนวณอัตโนมัติของค่าความไว้วางใจ) และแสดงให้เห็นถึงเทคนิคกับการทำงานที่เป็นตัวแทนในแต่ละชั้นเรียน. 20.3.2.1 การทำเหมืองแร่เครือข่ายความน่าเชื่อถือไว้วางใจที่พบมากที่สุด เพิ่มกลยุทธ์ recommender ขอให้ผู้ใช้ของพวกเขาอย่างชัดเจนออกคำสั่งไว้วางใจเกี่ยวกับผู้ใช้อื่น ๆ Take เช่น Moleskiing [7], เว็บไซต์ชุมชนสกีซึ่งใช้ FOAF ไฟล์ที่มีข้อมูลความไว้วางใจโย 1-9 [19] หรือเว็บไซต์อีคอมเมิร์ซ Epinions.com ซึ่งสั่งคิดเห็นบนพื้นฐานของเครือข่ายความไว้วางใจ ที่จะรักษาโดยขอให้ผู้ใช้ในการระบุว่าสมาชิกพวกเขาไว้วางใจ (เช่นเว็บส่วนตัวของพวกเขาของความไว้วางใจ) หรือไม่ไว้วางใจ (รายการบล็อก). ตัวอย่างที่รู้จักกันดีก็คือ Golbeck ของ FilmTrust [16], เครือข่ายสังคมออนไลน์รวมกับคะแนนภาพยนตร์ และระบบการตรวจสอบที่ผู้ใช้จะถูกถามในการประเมินรสนิยมภาพยนตร์รู้จักของพวกเขา 'โยตั้งแต่วันที่ 1 ถึง 10 ระบบทั้งหมดเหล่านี้ใช้ประโยชน์จากความสัมพันธ์ในเครือข่ายของความไว้วางใจเพื่อตรวจสอบว่ามีความคิดเห็นหรือการให้คะแนนควรมีน้ำหนักมากหรือน้อยในขั้นตอนการเสนอแนะ ในคำอื่น ๆ กลุ่มของขั้นตอนวิธีการนี้ใช้ประมาณการไว้วางใจ (ที่ได้รับจากการขยายพันธุ์และการรวม) เป็นน้ำหนักในการตัดสินใจ น้ำหนักซึ่งสามารถทำได้หลายวิธี ในส่วนนี้เรามุ่งเน้นไปที่สองกลยุทธ์ที่ใช้กันมากที่สุดคือเฉลี่ยถ่วงน้ำหนักที่คลาสสิกและการปรับตัวของกลไกการกรองการทำงานร่วมกันและแสดงให้เห็นถึงแต่ละของพวกเขากับคนที่รู้จักกันดีการดำเนินงานรัฐของ theart. ความน่าเชื่อถือตามค่าเฉลี่ยถ่วงน้ำหนักใน ระบบ recommender โดยไม่ต้องเครือข่ายความไว้วางใจเป็นอัลกอริทึมคำแนะนำง่ายๆที่ต้องมีการประเมินวิธีการที่ดีผู้ใช้เป้าหมายจะชอบรายการเป้าหมายที่ฉันสามารถคำนวณค่าเฉลี่ยสำหรับฉันโดยคำนึงถึงการจัดอันดับ RU ฉันจากผู้ใช้ทั้งหมดของระบบยูที่มี คุ้นเคยกับฉัน คำแนะนำกลยุทธ์พื้นฐานนี้สามารถกลั่นโดยการคำนวณถ่วงน้ำหนักตามความไว้วางใจเฉลี่ย โดยเฉพาะอย่างยิ่งจากความไว้วางใจรวมทั้งค่าตา, ยูที่สะท้อนให้เห็นถึงระดับที่ผู้ประเมินยูเชื่อถือขั้นตอนวิธีจะช่วยให้ความแตกต่างระหว่างแหล่งที่มา ในความเป็นจริงมันเป็นเพียงธรรมชาติที่จะกำหนดให้น้ำหนักมากขึ้นในการจัดอันดับของผู้ใช้ที่เชื่อถือได้สูง สูตรจะได้รับจากสมการ (20.1) ซึ่งในปีนี้ผมหมายถึงคะแนนที่คาดการณ์เป้าหมายของฉันรายการสำหรับผู้ใช้เป้าหมายและ RT แสดงให้เห็นถึงการตั้งค่าของผู้ใช้ที่ได้รับการประเมินผมและการที่ค่าความไว้วางใจตามึงเกินกว่าที่กำหนด ธรณีประตู

Results (Thai) 3:

20.3.2 รัฐของศิลปะ
ตัวอย่างเหล่านี้แสดงให้เห็นว่าการสร้างความน่าเชื่อถือเครือข่ายระหว่างผู้ใช้ของระบบแนะนำ อาจจะนำไปสู่ความสำเร็จของ ดังนั้น , แปลกใจ , มีความพยายามในทิศทางนี้ได้ทำไปแล้ว เห็นตัวอย่าง [ 15 , 23 , 30 , 37 , 46 , 49 , 51 ] เชื่อเพิ่มระบบแนะนำสามารถประมาณแบ่งออกเป็น 2 ชั้นตามวิธีที่เชื่อถือคุณค่าที่ได้รับ กลุ่มแรกจะใช้ข้อมูลที่มาจากความน่าเชื่อถือเครือข่ายที่ถูกสร้างขึ้นด้วยการป้อนข้อมูลโดยตรงของผู้ใช้ เช่น การออกแถลงการณ์โดยชัดเจนเชื่อถือได้ ตัวอย่างสามารถพบได้ใน [ 16 , 22 , 37 )กลยุทธ์ดังกล่าวจะช่วยให้การใช้ความไว้วางใจและการกระจายในเครือข่ายการอนุมานค่าเชื่อสุดท้ายที่จำเป็นในการแนะนำขั้นตอนวิธีการ บนมืออื่น ๆ , กลุ่มที่ 2 ไม่ต้องใช้ผู้ใช้สามารถวางใจในคนรู้จักของเขา แทน , ค่าความไว้วางใจจะคำนวณโดยอัตโนมัติ เช่น ตามประวัติของผู้ใช้ให้คำแนะนำที่เชื่อถือได้ [ 30 , 46 ]หรือตามกฎ transitivity สำหรับผู้ใช้ผู้ใช้ความเหมือน [ 49 ] .

ในวรรณกรรมเชิงแนวคิดของความไว้วางใจเป็นอย่างดีที่กำหนดไว้ ; ดูเช่น Mayer et al . กรอบที่ความสามารถ ความเมตตากรุณา ความสมบูรณ์ และความโน้มเอียงที่จะเชื่อถูกกำหนดเป็นปัจจัยสําคัญ [ 40 ] หรือ แม็คอัลลิสเตอร์ ทำงานที่ แตกต่างระหว่างการรู้ตาม และส่งผลตามความเชื่อถือ [ 41 ] อย่างไรก็ตามแนะนำงานวิจัยในพื้นที่ เชื่อ มักใช้เป็นคำที่ร่มสำหรับหลากหลายของความสัมพันธ์ระหว่างผู้คน โดยเฉพาะอย่างยิ่งเมื่อจัดการกับการคำนวณอัตโนมัติของค่าความน่าเชื่อถือ ในกรณีเหล่านี้ เชื่อถูกใช้เพื่อแสดงถึงความหลากหลายของแนวคิด ตั้งแต่การรับรู้ความคล้ายคลึงกันของรสนิยมมากกว่าชื่อเสียง เพื่อประเมินความสามารถของผู้ใช้ .

ในส่วนของ 204 เรายังหารือในรายละเอียดเพิ่มเติม ในส่วนนี้เรามุ่งเน้นไปที่พื้นฐานของกลยุทธ์ทั้งสอง ( เช่นเหมืองแร่เครือข่ายความไว้วางใจและการคำนวณอัตโนมัติของค่าเชื่อ ) และแสดงให้เห็นถึงเทคนิคกับงานตัวแทนในแต่ละคลาส

20.3.2.1 เครือข่ายเชื่อ
เหมืองแร่ความไว้วางใจที่พบมากที่สุดปรับปรุงกลยุทธ์แนะนำขอให้ผู้ใช้ของพวกเขาอย่างชัดเจนปัญหาเชื่อข้อความเกี่ยวกับผู้ใช้อื่น ๆ เอาตัวอย่าง moleskiing [ 7 ] , สกีภูเขาชุมชนเว็บไซต์ที่ใช้ไฟล์ foaf ที่มีเชื่อข้อมูลจากระดับ 1 ถึง 9 [ 19 ] หรือเว็บไซต์อีคอมเมิร์ซ epinions .อ่านรีวิวที่คำสั่งบนพื้นฐานของความไว้วางใจเครือข่ายที่จะรักษา โดยขอให้ผู้ใช้ระบุซึ่งสมาชิกพวกเขาเชื่อ ( เช่นของพวกเขาส่วนบุคคลเว็บของความไว้วางใจหรือความไม่ไว้วางใจ ( บล็อก ) รายการ )

เป็นอีกตัวอย่างที่รู้จักกันดีของ golbeck filmtrust [ 16 ]เป็นสังคมออนไลน์ เครือข่าย รวมกับอันดับภาพยนตร์และทบทวนระบบที่ผู้ใช้จะถูกถามเพื่อประเมินความรู้ของพวกเขาภาพยนตร์รสชาติจากระดับ 1 ถึง 10

ระบบเหล่านี้ใช้ประโยชน์จากความสัมพันธ์ที่เชื่อถือเครือข่ายเพื่อตรวจสอบ ซึ่งความคิดเห็นหรือการจัดอันดับควรมีน้ำหนักมากหรือน้อยในกระบวนการต่าง ๆ ในคำอื่น ๆกลุ่มนี้ของขั้นตอนวิธีใช้ความไว้วางใจประมาณการ ( ที่ได้จากการขยายพันธุ์ และการรวม ) น้ำหนักในกระบวนการการตัดสินใจ ดัชนีนี้สามารถทำได้หลายวิธี ในส่วนนี้เราเน้นสองนิยมใช้กลยุทธ์ คือ คลาสสิกถัวเฉลี่ยและการปรับตัวของการกรองแบบกลไกสำหรับแต่ละของพวกเขากับรัฐหนึ่งที่รู้จักกันดีของการ theart

เชื่อถือตามค่าเฉลี่ยถ่วงน้ำหนักในการแนะนำระบบโดยไม่เชื่อเครือข่าย ง่าย ๆแนะนำขั้นตอนวิธีที่ต้องประเมินว่าเป้าหมายผู้ใช้จะชอบรายการเป้าหมายผมสามารถคำนวณอัตราเฉลี่ยสำหรับฉัน โดยคำนึงถึงการจัดอันดับรูผมจากทุกระบบของผู้ใช้และผู้ที่คุ้นเคยกับผมนี้พื้นฐานแนะนำกลยุทธ์สามารถกลั่นโดยการคำนวณความน่าเชื่อถือหมายถึงการถ่วงน้ำหนักตาม โดยเฉพาะ โดยรวมค่าตา เชื่อ คุณ ที่สะท้อนให้เห็นถึงระดับที่ 2 คุณจะเชื่อถือได้ และจะช่วยให้แยกความแตกต่างระหว่างแหล่ง ในความเป็นจริงมันเป็นเพียงธรรมชาติที่จะกำหนดน้ำหนักให้น่าเชื่อถือสูงอันดับของผู้ใช้ เป็น สูตรที่ได้รับจากสมการ ( 20.1% ) ซึ่งในป่า ฉันหมายถึงว่าเรตติ้งรายการเป้าหมายสำหรับผู้ใช้เป้าหมาย และ RT หมายถึงชุดของผู้ใช้ที่ประเมินซึ่งค่าความน่าเชื่อถือและทาให้คุณเกินเกณฑ์