The explosive growth of the world-w

The explosive growth of the world-wide-web and the emergence of e-commerce has led to the development of recommender systems--a personalized information filtering technology used to identify a set of N items that will be of interest to a certain user. User-based and model-based collaborative filtering are the most successful technology for building recommender systems to date and is extensively used in many commercial recommender systems. The basic assumption in these algorithms is that there are sufficient historical data for measuring similarity between products or users. However, this assumption does not hold in various application domains such as electronics retail, home shopping network, on-line retail where new products are introduced and existing products disappear from the catalog. Another such application domains is home improvement retail industry where a lot of products (such as window treatments, bathroom, kitchen or deck) are custom made. Each product is unique and there are very little duplicate products. In this domain, the probability of the same exact two products bought together is close to zero. In this paper, we discuss the challenges of providing recommendation in the domains where no sufficient historical data exist for measuring similarity between products or users. We present feature-based recommendation algorithms that overcome the limitations of the existing top-n recommendation algorithms. The experimental evaluation of the proposed algorithms in the real life data sets shows a great promise. The pilot project deploying the proposed feature-based recommendation algorithms in the on-line retail web site shows 75% increase in the recommendation revenue for the first 2 month period.

Results (Thai) 1:

การเกิดขึ้นของอีคอมเมิร์ซและการเจริญเติบโตของ--เว็บได้นำไปพัฒนาระบบผู้แนะนำ - ข้อมูลส่วนบุคคลที่กรองเทคโนโลยีที่ใช้ในการระบุชุดของ N ซึ่งจะเป็นประโยชน์กับผู้ใช้บางอย่าง ตามรุ่น และผู้ตามร่วมกันกรองเป็นเทคโนโลยีประสบความสำเร็จมากที่สุดสำหรับการสร้างระบบผู้แนะนำวันที่ และใช้อย่างกว้างขวางในหลายระบบผู้แนะนำธุรกิจ สมมติฐานพื้นฐานในอัลกอริทึมเหล่านี้คือ ว่า มีข้อมูลทางประวัติศาสตร์เพียงพอสำหรับการวัดความคล้ายคลึงกันระหว่างผลิตภัณฑ์หรือผู้ใช้ อย่างไรก็ตาม นี้ไม่ได้ถือในโดเมนโปรแกรมประยุกต์ต่าง ๆ เช่นการค้าปลีกอิเล็กทรอนิกส์ เครือข่ายซื้อบ้าน ขายปลีกง่ายดายที่มีการแนะนำผลิตภัณฑ์ใหม่ และผลิตภัณฑ์ที่มีอยู่หายไปจากแค็ตตาล็อก โดเมนโปรแกรมประยุกต์อื่นเช่นเป็นอุตสาหกรรมขายปลีกต่อเติมบ้านทำมากมายของผลิตภัณฑ์ (เช่นการรักษาหน้าต่าง ห้องน้ำ ห้องครัว หรือดาดฟ้า) แต่ละผลิตภัณฑ์มีเอกลักษณ์เฉพาะ และมีผลิตภัณฑ์ซ้ำน้อยมาก ในโดเมนนี้ ความน่าเป็นเหมือนกันทุกประการสองผลิตภัณฑ์ซื้อกันอยู่ใกล้กับศูนย์ ในเอกสารนี้ เราหารือเกี่ยวกับความท้าทายที่ให้คำแนะนำในโดเมนซึ่งมีข้อมูลประวัติศาสตร์ไม่เพียงพอสำหรับการวัดความคล้ายคลึงกันระหว่างผลิตภัณฑ์หรือผู้ใช้ เรานำอัลกอริทึมคุณลักษณะตามคำแนะนำที่เอาชนะข้อจำกัดของอัลกอริทึมคำแนะนำด้านบน n ที่มีอยู่ การประเมินผลทดลองของอัลกอริทึมที่นำเสนอในชุดข้อมูลชีวิตจริงแสดงสัญญาที่ดี โครงการนำร่องที่ใช้อัลกอริทึมคำแนะนำเสนอคุณลักษณะที่ใช้ในเว็บไซต์ขายปลีกง่ายดายแสดง 75% เพิ่มขึ้นในรายได้แนะนำสำหรับระยะเวลา 2 เดือนแรก

Results (Thai) 2:

เจริญเติบโตระเบิดของเว็บทั่วโลกและการเกิดขึ้นของอีคอมเมิร์ซได้นำไปสู่​​การพัฒนาของระบบ recommender - เทคโนโลยีการกรองข้อมูลส่วนบุคคลมาใช้เพื่อระบุชุดของรายการที่ยังไม่มีที่จะเป็นที่สนใจของผู้ใช้บางอย่าง ผู้ใช้ที่ใช้และการกรองแบบที่ใช้การทำงานร่วมกันเป็นเทคโนโลยีที่ประสบความสำเร็จมากที่สุดสำหรับการสร้างระบบ recommender ให้ทันสมัย​​และถูกนำมาใช้อย่างกว้างขวางในระบบการค้าจำนวนมาก recommender สมมติฐานพื้นฐานในขั้นตอนวิธีการเหล่านี้ก็คือว่ามีข้อมูลทางประวัติศาสตร์ที่เพียงพอสำหรับการวัดความคล้ายคลึงกันระหว่างผลิตภัณฑ์หรือผู้ใช้ อย่างไรก็ตามสมมติฐานนี้ไม่ได้ถือในโดเมนโปรแกรมประยุกต์ต่างๆเช่นอิเล็กทรอนิกส์ค้าปลีกเครือข่ายบ้านช้อปปิ้งร้านค้าปลีกในสายผลิตภัณฑ์ใหม่ที่ได้รับการแนะนำให้รู้จักกับผลิตภัณฑ์ที่มีอยู่และหายไปจากแคตตาล็อก อีกโดเมนโปรแกรมดังกล่าวคือการปรับปรุงบ้านของอุตสาหกรรมค้าปลีกที่มากของผลิตภัณฑ์ (เช่นการรักษาหน้าต่าง, ห้องน้ำห้องครัวหรือดาดฟ้า) เองจะทำ แต่ละผลิตภัณฑ์ที่เป็นเอกลักษณ์และมีน้อยมากผลิตภัณฑ์ที่ซ้ำกัน ในโดเมนนี้น่าจะเป็นของที่แน่นอนเดียวกันสองผลิตภัณฑ์ที่ซื้อร่วมกันอยู่ใกล้กับศูนย์ ในบทความนี้เราจะหารือถึงความท้าทายในการให้คำแนะนำในโดเมนที่ไม่มีข้อมูลทางประวัติศาสตร์ที่มีอยู่เพียงพอสำหรับการวัดความคล้ายคลึงกันระหว่างผลิตภัณฑ์หรือผู้ใช้ เรานำเสนอคุณสมบัติตามขั้นตอนวิธีการคำแนะนำที่เอาชนะข้อ จำกัด ของคำแนะนำบน n ที่มีอยู่ขั้นตอนวิธี การประเมินผลการทดลองขั้นตอนวิธีการที่นำเสนอในชุดข้อมูลชีวิตจริงแสดงให้เห็นสัญญาที่ดี โครงการนำร่องการปรับใช้ที่นำเสนอคุณสมบัติตามขั้นตอนวิธีการในข้อเสนอแนะเกี่ยวกับสายเว็บไซต์ค้าปลีกเพิ่มขึ้นแสดงให้เห็นว่า 75% ของรายได้จากการแนะนำเป็นครั้งแรกในช่วงเวลา 2 เดือน

Results (Thai) 3:

การเจริญเติบโตระเบิดของเวิลด์ไวด์เว็บ และการเกิดขึ้นของอีคอมเมิร์ซได้นำไปสู่การพัฒนาระบบแนะนำ -- ข้อมูลส่วนบุคคลเทคโนโลยีการกรองใช้เพื่อระบุชุดของรายการนั้นจะเป็นที่สนใจของผู้ใช้บางผู้ใช้ที่ใช้ร่วมกันสำหรับการกรองและเป็นเทคโนโลยีที่ประสบความสำเร็จมากที่สุดสำหรับการสร้างการแนะนำระบบให้ทันสมัยและมีการใช้อย่างกว้างขวางในการแนะนำระบบการค้ามาก สมมติฐานพื้นฐานของขั้นตอนวิธีการเหล่านี้มีข้อมูลทางประวัติศาสตร์เพียงพอสำหรับการวัดความคล้ายคลึงกันระหว่างผลิตภัณฑ์หรือผู้ใช้ อย่างไรก็ตามสมมติฐานนี้ไม่ถือในโดเมนโปรแกรมประยุกต์ต่าง ๆ เช่น อิเล็กทรอนิกส์ค้าปลีก , เครือข่ายโฮมช้อปปิ้งออนไลน์ค้าปลีก ซึ่งผลิตภัณฑ์ใหม่และผลิตภัณฑ์ที่มีอยู่ให้หายไปจากแค็ตตาล็อก อื่น เช่น โปรแกรมข้อมูลการปรับปรุงบ้านอุตสาหกรรมค้าปลีกที่มากของผลิตภัณฑ์ ( เช่น การรักษา หน้าต่าง ห้องน้ำ ห้องครัว หรือดาดฟ้า ) ที่กำหนดเองทำแต่ละผลิตภัณฑ์ที่เป็นเอกลักษณ์และมีผลิตภัณฑ์ที่ซ้ำกันน้อยมาก ในโดเมนนี้ ความเป็นไปได้ที่แน่นอนเดียวกันสองผลิตภัณฑ์ซื้อด้วยกัน อยู่ใกล้กับศูนย์ ในกระดาษนี้เราหารือเกี่ยวกับความท้าทายของการให้คำแนะนำในโดเมนที่ไม่มีข้อมูลทางประวัติศาสตร์เพียงพออยู่สำหรับการวัดความคล้ายคลึงกันระหว่างผลิตภัณฑ์หรือผู้ใช้เรานำเสนอในสารแนะนำขั้นตอนวิธีที่เอาชนะข้อ จำกัด ของที่มีอยู่ top-n แนะนำขั้นตอนวิธี ทดลองการประเมินเสนอขั้นตอนวิธีในชีวิตจริงชุดข้อมูลแสดงสัญญาที่ยอดเยี่ยมโครงการนำร่องการใช้ในสารแนะนำเสนอขั้นตอนวิธีในเว็บไซต์ค้าปลีกออนไลน์แสดงให้เห็นเพิ่มขึ้น 75% ในการแนะนำรายแรก 2 เดือน .