TidalTrust This formula is at the h

TidalTrust This formula is at the heart of Golbeck et al.’s recommendation algorithm [15]. The novelty of this algorithm mainly lies in the way the trust estimates ta,u are inferred; a trust metric that they have called TidalTrust. In [18], the authors give an overview of the observations that have lead to the development of Tidal- Trust. In each experiment, they ignored an existing trust relation from a user a to a user c, and focused on all paths that connect a to c. In short, by comparing the propagated trust results from these paths with the original, hidden, trust value, they 660 Patricia Victor, Martine De Cock, and Chris Cornelis noticed that (1) shorter propagation paths yield more accurate trust estimates, and that (2) paths containing higher trust values yield better results too.

Hence, taking into account the first observation, only allowing shorter paths should yield the best results. However, in some cases only a few users will be reachable if a limit is set on the path length. This trade-off is incorporated through a variable path length limit: the shortest path length that is needed to connect the target user with a user u that has rated the item (i.e., a rater) becomes the path depth of the algorithm. Like this, the depth of the breadth-first search varies from one computation to another.

One way of addressing the second observation (higher trust values on the path yield better trust estimates) is to limit the information such that it only comes from the most trusted users. However, every user has its own behaviour for issuing trust values (one user may give the maximum value quite often while another one never does), and in addition, it will often be the case that only a few paths contain the same high trust value. This is why Golbeck et al. opted to incorporate a value that represents the path strength (i.e., the minimum trust rating on a path), and to compute the maximum path strength over all paths leading to the raters. This maximum (max) is then chosen as the minimum trust threshold for participation in the process.

The TidalTrust formula is given by Equation (20.2), in which WOT+(a) represents the set of users for whom a’s trust statement exceeds the given threshold max. This means that each user in the process computes its trust in another user as a weighted mean, and only takes into account information from users that he has rated at least as high as max.

---

TidalTrust is a recursive algorithm; the trust value ta,u is recursively computed as the weighted mean of trust values tv,u for all TTPs v that are the first link on the shortest path from a to u. The users assure that the maximum path depth is not exceeded by keeping track of the current path length. Note that this algorithm belongs to the class of gradual trust approaches and is an example of a local trust metric.

Golbeck et al. have shown that using trust-based weighted mean in combination with TidalTrust does not necessarily offer a general benefit over computing the average or applying collaborative filtering, but that it does yield significantly more accurate recommendations for users who disagree with the average rating for a specific item (see e.g. [15, 18]).

Trust-based collaborative filtering Whereas Golbeck’s approach is an example of a weighted average implementation, another class of trust-enhanced systems is tied more closely to the collaborative filtering algorithm. In collaborative filtering, a rating of target item i for target user a can be predicted using a combination of the ratings of the neighbours of a (similar users) that are already familiar with item i [53]. The classical formula is given by Equation (20.3).

---

The unknown rating pa,i for item i and target user a is predicted based on the mean ra of ratings by a for other items, as well as on the ratings ru,i by other users u for i. The formula also takes into account the similarity wa,u between users a and u, usually calculated as Pearson’s Correlation Coefficient (PCC) [22]. In practice, most often only users with a positive correlation wa,u who have rated i are considered.We denote this set by R+. However, instead of a PCC-based computation of the weights, once can also infer the weights through the relations of the target user in the trust network (again through propagation and aggregation); see Formula (20.4) which adapts Formula (20.3) by replacing the PCC weights wa,u by the trust values ta,u. This strategy is also supported by the fact that trust and similarity are correlated, as shown in [69].

---

We call this alternative trust-based collaborative filtering. Note that, because the weights are not equal to the PCC, this procedure can produce out of bounds results. When this is the case, pa,i is rounded to the nearest possible rating. MoleTrust Formula (20.4) is at the basis of Massa et al.’s recommendation algorithm which incorporates a new trust metric, called MoleTrust [38]. This metric consists of two phases. In the first stage, cycles in the trust network are removed, while the second stage includes the actual trust computation. Since it is often the case that a large number of trust propagations must be executed in trust experiments (think e.g. of the large test sets from Epinions.com), it is much more efficient to remove trust cycles beforehand, so that every user only needs to be visited once for obtaining a trust prediction.

The removing of the cycles transforms the original trust network into a directed acyclic graph, and hence the trust prediction for ta,u can be obtained by performing a simple graph walk: first the trust of the users at distance 1 is computed (i.e., direct trust information), then the trust of the users at distance 2, etc. Note that because of the acyclic nature of the graph, the trust value of a user at distance x only depends on the already computed trust values of the users at distance x?1.

The trust of the users at distance 2 or more is calculated in a way similar to Golbeck et al.’s algorithm, i.e. formula (20.2). However, the details of the breadth-first implementation differ significantly. In TidalTrust, a user u is added to WOT+(a) only if he is on a shortest path from target user a to target item i. On the other hand, 662 Patricia Victor, Martine De Cock, and Chris Cornelis Table 20.2: Characteristic features of two state-of-the-art recommendation approaches that mine a trust network to predict a rating for target user a and target item i, based on ratings of other users u for i

Hence, taking into account the first observation, only allowing shorter paths should yield the best results. However, in some cases only a few users will be reachable if a limit is set on the path length. This trade-off is incorporated through a variable path length limit: the shortest path length that is needed to connect the target user with a user u that has rated the item (i.e., a rater) becomes the path depth of the algorithm. Like this, the depth of the breadth-first search varies from one computation to another.

One way of addressing the second observation (higher trust values on the path yield better trust estimates) is to limit the information such that it only comes from the most trusted users. However, every user has its own behaviour for issuing trust values (one user may give the maximum value quite often while another one never does), and in addition, it will often be the case that only a few paths contain the same high trust value. This is why Golbeck et al. opted to incorporate a value that represents the path strength (i.e., the minimum trust rating on a path), and to compute the maximum path strength over all paths leading to the raters. This maximum (max) is then chosen as the minimum trust threshold for participation in the process.

The TidalTrust formula is given by Equation (20.2), in which WOT+(a) represents the set of users for whom a’s trust statement exceeds the given threshold max. This means that each user in the process computes its trust in another user as a weighted mean, and only takes into account information from users that he has rated at least as high as max.

---

TidalTrust is a recursive algorithm; the trust value ta,u is recursively computed as the weighted mean of trust values tv,u for all TTPs v that are the first link on the shortest path from a to u. The users assure that the maximum path depth is not exceeded by keeping track of the current path length. Note that this algorithm belongs to the class of gradual trust approaches and is an example of a local trust metric.

Golbeck et al. have shown that using trust-based weighted mean in combination with TidalTrust does not necessarily offer a general benefit over computing the average or applying collaborative filtering, but that it does yield significantly more accurate recommendations for users who disagree with the average rating for a specific item (see e.g. [15, 18]).

Trust-based collaborative filtering Whereas Golbeck’s approach is an example of a weighted average implementation, another class of trust-enhanced systems is tied more closely to the collaborative filtering algorithm. In collaborative filtering, a rating of target item i for target user a can be predicted using a combination of the ratings of the neighbours of a (similar users) that are already familiar with item i [53]. The classical formula is given by Equation (20.3).

---

The unknown rating pa,i for item i and target user a is predicted based on the mean ra of ratings by a for other items, as well as on the ratings ru,i by other users u for i. The formula also takes into account the similarity wa,u between users a and u, usually calculated as Pearson’s Correlation Coefficient (PCC) [22]. In practice, most often only users with a positive correlation wa,u who have rated i are considered.We denote this set by R+. However, instead of a PCC-based computation of the weights, once can also infer the weights through the relations of the target user in the trust network (again through propagation and aggregation); see Formula (20.4) which adapts Formula (20.3) by replacing the PCC weights wa,u by the trust values ta,u. This strategy is also supported by the fact that trust and similarity are correlated, as shown in [69].

---

We call this alternative trust-based collaborative filtering. Note that, because the weights are not equal to the PCC, this procedure can produce out of bounds results. When this is the case, pa,i is rounded to the nearest possible rating. MoleTrust Formula (20.4) is at the basis of Massa et al.’s recommendation algorithm which incorporates a new trust metric, called MoleTrust [38]. This metric consists of two phases. In the first stage, cycles in the trust network are removed, while the second stage includes the actual trust computation. Since it is often the case that a large number of trust propagations must be executed in trust experiments (think e.g. of the large test sets from Epinions.com), it is much more efficient to remove trust cycles beforehand, so that every user only needs to be visited once for obtaining a trust prediction.

The removing of the cycles transforms the original trust network into a directed acyclic graph, and hence the trust prediction for ta,u can be obtained by performing a simple graph walk: first the trust of the users at distance 1 is computed (i.e., direct trust information), then the trust of the users at distance 2, etc. Note that because of the acyclic nature of the graph, the trust value of a user at distance x only depends on the already computed trust values of the users at distance x?1.

The trust of the users at distance 2 or more is calculated in a way similar to Golbeck et al.’s algorithm, i.e. formula (20.2). However, the details of the breadth-first implementation differ significantly. In TidalTrust, a user u is added to WOT+(a) only if he is on a shortest path from target user a to target item i. On the other hand, 662 Patricia Victor, Martine De Cock, and Chris Cornelis Table 20.2: Characteristic features of two state-of-the-art recommendation approaches that mine a trust network to predict a rating for target user a and target item i, based on ratings of other users u for i

0/5000

From: -

To: -

Results (Thai) 1: [Copy]

Copied!

TidalTrust สูตรนี้เป็นหัวใจของอัลกอริทึมคำแนะนำของ Golbeck et al. [15] นวัตกรรมของอัลกอริทึมนี้ส่วนใหญ่อยู่ในทางความน่าเชื่อถือการประเมินตา คุณจะสรุป การวัดความน่าเชื่อถือว่า พวกเขาเรียกว่า TidalTrust ใน [18], ผู้สร้างให้ภาพรวมของข้อสังเกตที่มีเป้าหมายในการพัฒนาของดาล - ความน่าเชื่อถือ ในการทดลองแต่ละ พวกเขาละเว้นความสัมพันธ์ความไว้วางใจที่มีอยู่จากผู้ใช้เป็นผู้ใช้ c และเน้นเส้นทางทั้งหมดที่เชื่อมต่อเป็นถึง c ในระยะสั้น โดยเปรียบเทียบผลความน่าเชื่อถือที่เผยแพร่จากเส้นทางเหล่านี้มีค่าความเชื่อถือดั้งเดิม ซ่อน พวกเขา 660 วิ คเตอร์แพ ไก่เด Martine และ Chris Cornelis พบว่า (1) สั้นเผยแพร่เส้นอัตราผลตอบแทนประเมินความน่าเชื่อถือถูกต้องมากขึ้น และที่ (2) เส้นทางที่ประกอบด้วยค่าความน่าเชื่อถือที่สูงกว่าผลตอบแทนดีกว่าทำเกินไปดังนั้น การพิจารณาสังเกตแรก ให้เส้นทางที่สั้นเพียง ควรผลลัพธ์สุด อย่างไรก็ตาม ในบางกรณี เฉพาะผู้ใช้บางจะจำกัดตั้งอยู่บนเส้นทางยาวเข้าไป Trade-off นี้จะรวมถึงขีดจำกัดความยาวเส้นทางตัวแปร: ความยาวเส้นทางสั้นที่สุดที่จำเป็นสำหรับการเชื่อมต่อผู้ใช้เป้าหมายกับ u ผู้ใช้ที่มีสินค้า (เช่น rater) กลายเป็น ความลึกของเส้นทางของอัลกอริทึม เช่นนี้ ความลึกของการค้นหาแรกกว้างตั้งแต่คำนวณหนึ่งไปยังอีกวิธีหนึ่งของการจัดการกับสังเกตสอง (ค่าความน่าเชื่อถือสูงในเส้นทางผลผลิตประเมินความน่าเชื่อถือดีกว่า) จะจำกัดข้อมูลที่ได้มาจากผู้ใช้ที่เชื่อถือได้มากที่สุด อย่างไรก็ตาม ผู้ใช้ทุกคนมีพฤติกรรมของตนเองสำหรับออกค่าความน่าเชื่อถือ (ผู้ใช้หนึ่งรายอาจให้ค่าสูงสุดค่อนข้างบ่อยในขณะที่อื่นไม่เคย), และ ที่มันมักจะเป็นกรณีว่า เฉพาะบางเส้นทางประกอบด้วยค่าความน่าเชื่อถือสูงเหมือนกัน นี่คือเหตุผลที่เลือก Golbeck et al. รวมค่าที่แสดงถึงความแข็งแรงเส้นทาง (เช่น ต่ำสุดความเชื่อมั่นบนเส้นทางการจัดอันดับ), และคำนวณความแข็งแรงสูงสุดเส้นทางที่ผ่านเส้นทางทั้งหมดที่นำไปสู่ raters ที่ แล้วนี้สูงสุด (สูงสุด) เป็นขีดจำกัดความน่าเชื่อถือต่ำสุดสำหรับการมีส่วนร่วมในกระบวนการสูตร TidalTrust ถูกกำหนด โดยสมการ (20.2), ในการแสดง WOT+(a) ชุดของผู้ใช้ที่เป็นของบริษัทงบเกินขีดจำกัดที่กำหนดสูงสุด หมายความ ว่า ผู้ใช้ในการคำนวณความเชื่อมั่นของผู้ใช้อื่นเป็นค่าเฉลี่ยถ่วงน้ำหนัก และเท่านั้น จะเป็นข้อมูลบัญชีจากผู้ที่เขาได้คะแนนที่สูงที่สูงสุด---TidalTrust เป็นอัลกอริทึมแบบเรียกซ้ำ แทนค่าตา u คือ recursively ที่คำนวณแบบถ่วงน้ำหนักเป็นทีวี u สำหรับ v TTPs ทั้งหมดที่เชื่อมโยงแรกบนเส้นทางสั้นที่สุดจาก ค่าเฉลี่ยของความน่าเชื่อถือกับคุณ ผู้ใช้มั่นใจได้ว่าที่ความลึกเส้นทางสูงสุดไม่เกิน โดยติดตามความยาวเส้นทางปัจจุบัน โปรดสังเกตว่า อัลกอริทึมนี้อยู่ชั้นแนวสมดุลความน่าเชื่อถือ และเป็นตัวอย่างของการวัดความน่าเชื่อถือภายในGolbeck และ al. ได้แสดงให้เห็นว่า ใช้แทนตามค่าเฉลี่ยถ่วงน้ำหนักที่ร่วมกับ TidalTrust ไม่จำเป็นต้องมีสวัสดิการทั่วไปคำนวณหาค่าเฉลี่ย หรือใช้กรองร่วมกัน แต่ที่ผลผลิตถูกต้องมากขึ้นอย่างมีนัยสำคัญคำแนะนำสำหรับผู้ที่ไม่เห็นด้วยกับคะแนนเฉลี่ยสำหรับสินค้าเฉพาะ (ดูเช่น [15, 18])วิธีตามความเชื่อถือร่วมกันกรองในขณะที่ Golbeck เป็นตัวอย่างการดำเนินการเฉลี่ยถ่วงน้ำหนัก คลาสอื่นเพิ่มความน่าเชื่อถือระบบเชื่อมโยงมากกับขั้นตอนวิธีการกรองร่วมกัน กรองร่วมกัน การจัดอันดับของรายการเป้าหมายฉันสำหรับผู้ใช้ปลายทางสามารถจะคาดการณ์โดยใช้ชุดของการจัดอันดับของเพื่อนบ้านผู้การ (คล้าย) ที่มีอยู่แล้วคุ้นเคยกับสินค้าฉัน [53] สูตรคลาสสิกถูกกำหนด โดยสมการ (20.3)---ไม่ทราบอันดับป่า ฉันสำหรับสินค้าฉันและเป้าหมายผู้คาดว่า ตาม ra หมายถึงจัดอันดับโดยการ สำหรับสินค้าอื่น ๆ ตลอดจนการจัดอันดับ ru ฉัน โดย u ผู้อื่นหา สูตรยังจะพิจารณาเฉพาะ wa, u ระหว่างผู้ใช้ คุณ มักจะคำนวณเป็นของเพียร์สันสัมประสิทธิ์สหสัมพันธ์ (PCC) [22] ในทางปฏิบัติ ส่วนใหญ่ผู้ใช้เท่านั้นมักจะ มีความสัมพันธ์ในเชิงบวก wa, u ที่มีอันดับผมจะถือว่าเป็นการ เราแสดงชุดนี้ โดย R + อย่างไรก็ตาม แทนการใช้ PCC คำนวณน้ำหนัก เมื่อสามารถยังรู้น้ำหนักโดยใช้ความสัมพันธ์ของผู้ใช้ปลายทางในเครือข่ายความน่าเชื่อถือ (อีกครั้งผ่านการเผยแพร่และรวม); ดูสูตร (ยัง 20.4) ซึ่งปรับสูตร (20.3) โดยแทน PCC น้ำหนัก wa, u โดยความเชื่อมั่นค่าตา u กลยุทธ์นี้ยังถูกสนับสนุน โดยข้อเท็จจริงที่น่าเชื่อถือและความคล้ายคลึงกันมี correlated มาก [69]--- เราเรียกนี้สำรองตามความน่าเชื่อถือร่วมกันกรอง หมายเหตุว่า เนื่องจากน้ำหนักไม่เท่ากับ PCC ขั้นตอนนี้สามารถผลิตออกมาจากขอบเขตผลลัพธ์ เมื่อในกรณีนี้ ป่า ฉันจะปัดเศษที่ใกล้ที่สุดได้จัดอันดับ สูตร MoleTrust (ยัง 20.4) อยู่ที่พื้นฐานของ al. มาซซาร้อยเอ็ดแนะนำอัลกอริทึมความการใหม่แทนวัด เรียกว่า MoleTrust [38] วัดนี้ประกอบด้วย 2 ขั้นตอน ในระยะแรก วงจรในเครือข่ายแทนเป็นลบ ในขณะที่ขั้นตอนสองมีการคำนวณความน่าเชื่อถือจริง เนื่องจากมักจะเป็นกรณีให้ความไว้วางใจ propagations ต้องดำเนินการแทนเป็นจำนวนมากทดลอง (คิดเช่นชุดทดสอบขนาดใหญ่จาก Epinions.com), จะมีประสิทธิภาพมากขึ้นเอาแทนวงจรล่วงหน้า เพื่อให้ผู้ใช้ทุกคนจำเป็นต้องมีการเยี่ยมชมหนึ่งครั้งสำหรับการได้รับการคาดการณ์ความน่าเชื่อถือลบของวงจรการแปลงเครือข่ายเชื่อถือต้นฉบับลงในกราฟ acyclic โดยตรง และดังนั้น การคาดเดาความน่าเชื่อถือสำหรับ ตา คุณสามารถได้รับ โดยการเดินกราฟอย่างง่าย: ก่อน คำนวณความน่าเชื่อถือของผู้ใช้ที่ระยะห่าง 1 (เช่น ความน่าเชื่อถือตรงข้อมูล), แล้วน่าเชื่อถือของผู้ใช้ที่ระยะ 2 เป็นต้น หมายเหตุว่า เนื่องจากลักษณะของกราฟ acyclic ค่าความน่าเชื่อถือของผู้ใช้ที่ระยะทาง x เท่านั้นขึ้นอยู่กับค่าแล้วคำนวณความน่าเชื่อถือของผู้ใช้ที่ระยะทาง x ? 1มีคำนวณความน่าเชื่อถือของผู้ใช้ที่ระยะ 2 หรือมากกว่าในลักษณะคล้ายกับ al. Golbeck และอัลกอริทึม เช่นสูตร (20.2) อย่างไรก็ตาม รายละเอียดของงานแรกกว้างแตกต่างกันอย่างมีนัยสำคัญ ใน TidalTrust, u ผู้ใช้เพิ่ม WOT+(a) เมื่อเขาอยู่บนเส้นทางสั้นที่สุดจากผู้ใช้เป้าหมายเป็นเป้าหมายสินค้าผม ในทางกลับกัน 662 วิ คเตอร์แพ ไก่เด Martine และ 20.2 ตาราง Cornelis Chris: คุณสมบัติลักษณะของสองสมัยของคำแนะนำวิธีที่เหมืองแทนเครือข่ายเพื่อทำนายการจัดอันดับผู้ใช้เป้าหมาย เป็นสินค้าเป้าหมายและฉัน ตามการจัดอันดับของยูผู้อื่นหา

Being translated, please wait..

Results (Thai) 2:[Copy]

Copied!

TidalTrust สูตรนี้เป็นหัวใจสำคัญของ Golbeck et al, ขั้นตอนวิธีการข้อเสนอแนะ. ของ [15] ความแปลกใหม่ของขั้นตอนวิธีนี้ส่วนใหญ่อยู่ในทางความไว้วางใจประมาณการตามึงสรุป; ตัวชี้วัดความไว้วางใจที่พวกเขาได้เรียกว่า TidalTrust ใน [18] ผู้เขียนให้ภาพรวมของการสังเกตที่ได้นำไปสู่การพัฒนาของ Tidal- ความน่าเชื่อถือ ในการทดลองแต่ละครั้งพวกเขาไม่สนใจความสัมพันธ์ที่มีอยู่ไว้วางใจจากผู้ใช้ไปยังผู้ใช้คและมุ่งเน้นไปที่เส้นทางทั้งหมดที่เชื่อมต่อไปที่ C ในระยะสั้นโดยการเปรียบเทียบผลการแพร่กระจายความไว้วางใจจากเส้นทางเหล่านี้กับเดิมที่ซ่อนมูลค่าความไว้วางใจพวกเขา 660 แพทริเซีวิกเตอร์มาร์เดอไก่และคริสคอร์เนลิสังเกตเห็นว่า (1) การบริหารจัดการเส้นทางที่สั้นกว่าประมาณการผลตอบแทนความไว้วางใจที่ถูกต้องมากขึ้นและที่ ( 2) เส้นทางที่มีค่าสูงกว่าความไว้วางใจให้ผลลัพธ์ที่ดีขึ้นมากเกินไป. ดังนั้นคำนึงถึงการสังเกตแรกเท่านั้นที่ช่วยให้เส้นทางที่สั้นกว่าควรผลผลิตผลลัพธ์ที่ดีที่สุด อย่างไรก็ตามในบางกรณีเท่านั้นที่ผู้ใช้ไม่กี่จะสามารถเข้าถึงได้ถ้าขีด จำกัด ตั้งอยู่บนความยาวของเส้นทาง การปิดนี้จะรวมผ่านความยาวเส้นทางตัวแปรขีด จำกัด : ความยาวของเส้นทางที่สั้นที่สุดที่จำเป็นในการเชื่อมต่อผู้ใช้เป้าหมายที่มีผู้ใช้ยูที่ได้จัดอันดับสินค้า (เช่นผู้ประเมิน) กลายเป็นความลึกเส้นทางของอัลกอริทึม เช่นนี้ความลึกของการค้นหากว้างแรกแตกต่างกันไปจากที่หนึ่งไปยังอีกที่คำนวณ. วิธีการหนึ่งของการแก้ไขปัญหาการสังเกตที่สอง (สูงค่าความไว้วางใจในเส้นทางให้ผลผลิตที่ดีกว่าประมาณการไว้วางใจ) คือการ จำกัด ข้อมูลดังกล่าวว่ามันมาจากส่วนใหญ่ ผู้ใช้งานที่เชื่อถือได้ อย่างไรก็ตามผู้ใช้ทุกคนมีพฤติกรรมของตัวเองในการออกค่าความไว้วางใจ (ผู้ใช้คนหนึ่งอาจจะให้ค่าสูงสุดค่อนข้างบ่อยในขณะที่อีกคนหนึ่งไม่ได้ทำ) และนอกจากนี้ก็มักจะเป็นกรณีที่มีเพียงไม่กี่เส้นทางที่มีค่าความไว้วางใจสูงเดียวกัน . นี่คือเหตุผลที่ Golbeck et al, เลือกที่จะรวมค่าที่แสดงถึงความแข็งแรงของเส้นทาง (เช่นคะแนนความไว้วางใจต่ำสุดบนเส้นทาง) และการคำนวณความแข็งแรงของเส้นทางที่สูงสุดเหนือทุกเส้นทางที่นำไปสู่ผู้ประเมิน สูงสุดนี้ (สูงสุด) ได้รับการแต่งตั้งแล้วเป็นเกณฑ์ความไว้วางใจขั้นต่ำสำหรับการมีส่วนร่วมในกระบวนการ. สูตร TidalTrust จะได้รับจากสมการ (20.2) ซึ่ง WOT + () แสดงให้เห็นถึงการตั้งค่าของผู้ใช้สำหรับผู้ที่คำสั่งความไว้วางใจเกินเกณฑ์ที่กำหนด สูงสุด ซึ่งหมายความว่าผู้ใช้ในแต่ละขั้นตอนการคำนวณความไว้วางใจในผู้ใช้คนอื่นเป็นค่าเฉลี่ยถ่วงน้ำหนักและใช้เวลาเพียงเป็นข้อมูลบัญชีจากผู้ใช้ว่าเขาได้รับการจัดอันดับอย่างน้อยสูงที่สุดเท่าที่สูงสุด. --- TidalTrust เป็นขั้นตอนวิธี recursive; มูลค่าความไว้วางใจตา, ยูคำนวณซ้ำเป็นค่าเฉลี่ยถ่วงน้ำหนักของความไว้วางใจค่าทีวียูสำหรับทุก TTPs โวลต์ที่มีการเชื่อมโยงที่เป็นครั้งแรกในเส้นทางที่สั้นที่สุดจากการที่ยู ผู้ใช้มั่นใจได้ว่าเส้นทางความลึกสูงสุดไม่เกินโดยการติดตามของความยาวเส้นทางปัจจุบัน โปรดทราบว่าขั้นตอนวิธีการนี้เป็นวิธีการที่ระดับของความไว้วางใจอย่างค่อยเป็นค่อยไปและเป็นตัวอย่างของตัวชี้วัดความไว้วางใจในท้องถิ่น. Golbeck et al, ได้แสดงให้เห็นว่าการใช้ค่าเฉลี่ยถ่วงน้ำหนักตามความไว้วางใจในการรวมกันกับ TidalTrust ไม่จำเป็นต้องนำเสนอผลประโยชน์ทั่วไปมากกว่าการคำนวณค่าเฉลี่ยหรือใช้การกรองการทำงานร่วมกัน แต่ที่มันไม่ให้ผลผลิตคำแนะนำที่ถูกต้องอย่างมีนัยสำคัญมากขึ้นสำหรับผู้ใช้ที่ไม่เห็นด้วยกับค่าเฉลี่ยสำหรับรายการที่เฉพาะเจาะจง (ดูเช่น [15, 18]). ความน่าเชื่อถือตามการกรองการทำงานร่วมกันในขณะที่วิธีการ Golbeck เป็นตัวอย่างของการดำเนินงานเฉลี่ยถ่วงน้ำหนักของระบบระดับความไว้วางใจเพิ่มอีกจะเชื่อมโยงอย่างใกล้ชิดกับขั้นตอนวิธีการกรองการทำงานร่วมกัน ในการกรองการทำงานร่วมกันให้คะแนนของรายการเป้าหมายผมสำหรับผู้ใช้เป้าหมายสามารถคาดการณ์โดยใช้การรวมของการจัดอันดับของประเทศเพื่อนบ้านของ (ผู้ใช้ที่คล้ายกัน) ที่มีอยู่แล้วคุ้นเคยกับรายการที่ฉัน [53] สูตรคลาสสิกที่จะได้รับจากสมการ (20.3). --- คะแนนต่อปีไม่รู้จักฉันสำหรับรายการที่ฉันและผู้ใช้เป้าหมายที่คาดการณ์บนพื้นฐานของค่าเฉลี่ยระของการจัดอันดับโดยสำหรับรายการอื่น ๆ เช่นเดียวกับการจัดอันดับ RU, ฉันโดยผู้ใช้อื่นนะสำหรับผม สูตรยังคำนึงถึงความคล้ายคลึงกันวา, ยูระหว่างผู้ใช้และ u คำนวณมักจะเป็นค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน (PCC) [22] ในทางปฏิบัติส่วนใหญ่มักจะมีผู้ใช้เพียง แต่มีความสัมพันธ์เชิงบวกวา, ยูที่มีการจัดอันดับที่ฉันจะ considered.We แสดงว่าชุดนี้โดย R + อย่างไรก็ตามแทนที่จะ PCC คำนวณตามน้ำหนักเมื่อยังสามารถอนุมานน้ำหนักผ่านความสัมพันธ์ของผู้ใช้เป้าหมายในเครือข่ายของความไว้วางใจ (อีกครั้งผ่านการขยายพันธุ์และการรวม); ดูสูตร (20.4) ซึ่งปรับสูตร (20.3) โดยการเปลี่ยนน้ำหนัก PCC วา, ยูด้วยค่าความไว้วางใจตา, ยู กลยุทธ์นี้ได้รับการสนับสนุนโดยความจริงที่ว่าความไว้วางใจและความคล้ายคลึงกันมีความสัมพันธ์ดังแสดงใน [69]. --- เราเรียกวิธีนี้ความไว้วางใจตามทางเลือกการกรองการทำงานร่วมกัน โปรดทราบว่าเพราะน้ำหนักจะไม่เท่ากันจะ PCC ขั้นตอนนี้สามารถผลิตออกมาจากผลขอบเขต เมื่อเป็นเช่นนี้เป็นกรณีที่ต่อปีผมจะปัดเศษให้คะแนนที่เป็นไปได้ที่ใกล้ที่สุด MoleTrust สูตร (20.4) อยู่ที่พื้นฐานของมาสซ่า et al, คำแนะนำขั้นตอนวิธี. ซึ่งประกอบด้วยตัวชี้วัดความไว้วางใจใหม่ที่เรียกว่า MoleTrust [38] ตัวชี้วัดนี้ประกอบด้วยสองขั้นตอน ในขั้นตอนแรกรอบในเครือข่ายของความไว้วางใจจะถูกลบออกในขณะที่ขั้นตอนที่สองรวมถึงการคำนวณความไว้วางใจที่เกิดขึ้นจริง เพราะมันมักจะเป็นกรณีที่มีจำนวนมากของการขยายพันธุ์ไว้วางใจจะต้องดำเนินการในการทดลองความไว้วางใจ (คิดเช่นของชุดทดสอบที่มีขนาดใหญ่จาก Epinions.com) มันมีประสิทธิภาพมากขึ้นในการลบความไว้วางใจรอบก่อนเพื่อให้ผู้ใช้ทุกคนเพียง แต่ความต้องการ . ที่จะเข้าชมครั้งเดียวสำหรับการได้รับการคาดการณ์ไว้วางใจลบรอบแปลงเครือข่ายความไว้วางใจเดิมเป็นชี้นำวัฏจักรกราฟและด้วยเหตุนี้การคาดการณ์ไว้วางใจสำหรับตา, u สามารถรับได้โดยการดำเนินการของกราฟที่เรียบง่ายใช้เวลาเดินเพียงครั้งแรกความไว้วางใจจาก ผู้ใช้ที่ 1 ระยะทางคำนวณ (เช่นข้อมูลความไว้วางใจโดยตรง) แล้วความไว้วางใจจากผู้ใช้ที่ 2 ระยะทาง ฯลฯ โปรดทราบว่าเนื่องจากลักษณะวัฏจักรของกราฟค่าความไว้วางใจจากผู้ใช้ในระยะทาง x เพียงขึ้นอยู่กับ แล้วคำนวณค่าความไว้วางใจจากผู้ใช้ในระยะทาง x 1. ความไว้วางใจจากผู้ใช้ที่ 2 หรือมากกว่าระยะทางที่มีการคำนวณในลักษณะคล้ายกับ Golbeck et al, อัลกอริทึม. ของคือสูตร (20.2) แต่รายละเอียดของการดำเนินงานกว้างแรกแตกต่างกันอย่างมีนัยสำคัญ ใน TidalTrust ผู้ใช้ยูจะถูกเพิ่ม WOT + (ก) แต่ถ้าเขาอยู่บนเส้นทางที่สั้นที่สุดจากผู้ใช้เป้าหมายที่จะกำหนดเป้าหมายรายการฉัน บนมืออื่น ๆ , แพทริเซี 662 วิกเตอร์มาร์เดอไก่และคริสคอร์เนลิตารางที่ 20.2: คุณสมบัติลักษณะของทั้งสองรัฐของศิลปะคำแนะนำวิธีการที่เหมืองเครือข่ายความไว้วางใจที่จะคาดการณ์คะแนนสำหรับผู้ใช้เป้าหมายและกำหนดเป้าหมายรายการฉัน จากการจัดอันดับของผู้อื่นนะสำหรับผม

Being translated, please wait..

Results (Thai) 3:[Copy]

Copied!

tidaltrust สูตรนี้เป็นหัวใจของ golbeck et al . แนะนำขั้นตอนวิธี [ 15 ] ความแปลกใหม่ของขั้นตอนวิธีนี้ส่วนใหญ่อยู่ในวิธีการที่เชื่อถือประมาณการทา คุณได้ ; ความไว้วางใจเมตริกที่พวกเขาได้เรียกว่า tidaltrust . ใน [ 18 ] ผู้เขียนให้ภาพรวมของการสังเกตที่นำไปสู่การพัฒนาน้ำขึ้นน้ำลง - ไว้ใจ ในแต่ละการทดลองพวกเขาไม่สนใจที่มีอยู่เชื่อความสัมพันธ์จากผู้ใช้ถึงผู้ใช้ C และเน้นทุกเส้นทางที่เชื่อมต่อเพื่อ C . ในสั้น โดยการเปรียบเทียบทั้งเชื่อผลจากเส้นทางเหล่านี้มีต้นฉบับอยู่ เชื่อค่า พวกเขา 660 แพทริเซีย วิคเตอร์ มาร์ติน เดอ ไก่ และ คริส คอร์เนลิส พบว่า ( 1 ) สั้น การประมาณการผลผลิตทางถูกต้องมากขึ้นความน่าเชื่อถือและ ( 2 ) เส้นทางที่มีค่าสูง เชื่อให้ผลที่ดีขึ้นด้วย

ดังนั้นพิจารณาสังเกตก่อน ให้เส้นทางที่สั้นกว่าจะให้ผลลัพธ์ที่ดีที่สุด อย่างไรก็ตาม ในบางกรณี เพียง ไม่ กี่ ผู้ใช้จะสามารถเข้าถึงถ้าขีด จำกัด ตั้งอยู่บนเส้นทางยาว การแลกเปลี่ยนนี้จะรวมถึงตัวแปรความยาวเส้นทาง จำกัด :ความยาวของเส้นทางที่สั้นที่สุดที่จำเป็นเพื่อเชื่อมต่อผู้ใช้กับเป้าหมายผู้ใช้ U ที่ได้คะแนนรายการ ( เช่น เป็นคนไทย ) จะกลายเป็นเส้นทางที่ความลึกของขั้นตอนวิธี แบบนี้ ความลึกของความกว้างค้นหาแรกแตกต่างกันจากหนึ่งไปยังอีก

การคำนวณ .วิธีหนึ่งของการจัดการกับการสังเกตที่สอง ( สูงกว่าเชื่อค่า บนเส้นทาง ผลผลิตดีกว่าเชื่อประมาณ ) คือการ จำกัด ข้อมูลดังกล่าวว่า มันมาจากคนส่วนใหญ่ผู้ใช้ อย่างไรก็ตาม ผู้ใช้ทุกคนมีพฤติกรรมของตัวเองในการออกค่าความไว้วางใจ ( ผู้ใช้คนหนึ่งอาจจะให้คุณค่าสูงสุดค่อนข้างบ่อย ในขณะที่อีกหนึ่งไม่เคยทำ ) , และนอกจากนี้มันมักจะเป็นกรณีที่มีเพียงไม่กี่เส้นทางเดียวกันค่าความน่าเชื่อถือสูง นี่คือเหตุผลที่ golbeck et al . เลือกที่จะรวมมูลค่าที่แสดงถึงเส้นทางที่แรง ( เช่น คะแนนไว้วางใจน้อยที่สุดบนเส้นทาง ) และค่าความแข็งแรงทางสูงสุดกว่าทุกเส้นทางนำไปสู่จำนวน . สูงสุด ( max ) แล้วเลือกเป็นเกณฑ์ขั้นต่ำสำหรับการมีส่วนร่วมในกระบวนการเชื่อ

สูตร tidaltrust ได้รับจากสมการ ( 20.2 ) ซึ่งใน WOT ( ) หมายถึงชุดของผู้ใช้ที่ไว้วางใจให้งบเกินเกณฑ์สูงสุด ซึ่งหมายความว่าแต่ละผู้ใช้ในกระบวนการคำนวณที่ไว้วางใจของผู้ใช้อื่นเป็นค่าเฉลี่ยถ่วงน้ำหนัก และจะพิจารณาข้อมูลจากผู้ใช้ที่เขาจัดอันดับ อย่างน้อยก็สูงที่สุดเท่าที่แม็กซ์

---

tidaltrust เป็น recursive ขั้นตอนวิธีค่าเชื่อตา U เป็น recursively คำนวณเป็นค่าเฉลี่ยถ่วงน้ำหนักของค่าทีวี เชื่อ คุณ ทั้งหมด ttps V ที่ลิงค์แรกบนเส้นทางที่สั้นที่สุดจาก U . ผู้ใช้มั่นใจว่าเส้นทางที่ความลึกไม่เกิน โดยติดตามการรักษาของความยาวของเส้นทางปัจจุบัน โปรดทราบว่าขั้นตอนนี้เป็นคลาสของความไว้วางใจที่ค่อยๆแนวทางและตัวอย่างของตัวชี้วัดความน่าเชื่อถือท้องถิ่น .

golbeck et al .ได้แสดงให้เห็นว่าการใช้ความไว้วางใจจากค่าเฉลี่ยถ่วงน้ำหนักในการรวมกันกับ tidaltrust ไม่จําเป็นต้องเสนอผลประโยชน์ทั่วไปมากกว่าการคำนวณค่าเฉลี่ยหรือใช้ร่วมกัน กรอง แต่มันไม่ให้ผลผลิตอย่างมีนัยสำคัญยิ่ง ข้อเสนอแนะสำหรับผู้ที่ไม่เห็นด้วยกับการประเมินโดยเฉลี่ยสำหรับรายการที่เฉพาะเจาะจง ( เช่น [ 15 , 18

] )ความไว้วางใจจากการกรองและการใช้ร่วมกัน golbeck เป็นตัวอย่างของการใช้ค่าเฉลี่ยถ่วงน้ำหนัก อีกระดับของความน่าเชื่อถือเพิ่ม ระบบจะเชื่อมโยงอย่างใกล้ชิดเพื่อร่วมกันขั้นตอนวิธีการกรอง . ร่วมกันในการกรองการจัดอันดับ ของรายการเป้าหมายสำหรับผู้ใช้เป้าหมายสามารถทำนายโดยใช้การรวมกันของการจัดอันดับของเพื่อนของ ( ผู้ใช้ที่คล้ายกัน ) ที่คุ้นเคยกับสินค้าผม [ 53 ] สูตรคลาสสิกจะได้รับจากสมการ ( 20.3% ) .

---

ไม่รู้จักโรงแรม ปา ผมของฉันและผู้ใช้เป้าหมายเป็นทำนายตามหมายถึงราของการจัดอันดับโดยสำหรับรายการอื่น ๆ เช่นเดียวกับการจัดอันดับรูผมใช้ U อื่น ๆสำหรับ สูตรก็จะพิจารณาความเหมือนวา u ระหว่างผู้ใช้และคุณมักจะคำนวณเป็นค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน ( PCC ) [ 22 ] ในทางปฏิบัติมักเพียงผู้ใช้กับ WA ความสัมพันธ์ u ใครมีคะแนน ผมจะถือว่า เราแสดงชุดนี้โดย R . อย่างไรก็ตามแทนของ PCC ตามการคำนวณน้ำหนักเมื่อสามารถอนุมานน้ำหนักผ่านความสัมพันธ์ของผู้ใช้เป้าหมายในเครือข่าย ( อีกครั้งผ่านการเชื่อถือและการรวม ) ; เห็นสูตร ( 20.4 ) ซึ่งปรับสูตร ( 20.3% ) โดยแทนที่ PCC น้ำหนักวา u ด้วยค่า TA เชื่อถือ วู กลยุทธ์นี้ได้รับการสนับสนุนโดยความจริงที่น่าเชื่อถือ และความเหมือนคือ ความสัมพันธ์ที่แสดงใน [ 69 ] .

---

เราเรียกนี้ทางเลือกที่ไว้วางใจร่วมกัน กรองตาม ทราบว่า เพราะน้ำหนักไม่เท่ากับ PCC , ขั้นตอนนี้สามารถผลิตลูกออกผล เมื่อเป็นกรณีนี้ , PA , ฉันคือปัดคะแนนที่ใกล้ที่สุดที่เป็นไปได้ moletrust สูตร ( 20.4 ) อยู่ที่พื้นฐานของ Massa et al . แนะนำขั้นตอนวิธีการซึ่งประกอบด้วยความไว้วางใจใหม่วัด , เรียก moletrust [ 38 ]วัดนี้ประกอบด้วย 2 ขั้นตอนคือ ในขั้นตอนแรก และเชื่อถือเครือข่ายจะถูกลบออกในขณะที่ขั้นตอนที่สองรวมถึงการคำนวณเชื่อจริง มันมักจะเป็นกรณีที่ตัวเลขขนาดใหญ่ของ propagations เชื่อต้องถูกประหารชีวิตในการทดลองความไว้วางใจ ( คิดเช่นขนาดใหญ่ของการทดสอบชุดจาก epinions . com ) , มันเป็นมากกว่าที่มีประสิทธิภาพเพื่อลบวงจรความไว้วางใจก่อนเพื่อให้ผู้ใช้ทุกคนต้องแวะเพื่อการเชื่อคำทำนาย

เอาของรอบแปลงเครือข่ายเชื่อเดิมเป็นกราฟอวัฏจักรระบุทิศทาง ดังนั้นการทำนายเชื่อตา คุณสามารถได้รับ โดยแสดงเป็นกราฟง่ายเดินครั้งแรก ความไว้วางใจของผู้ใช้ที่ถูกคำนวณระยะทาง 1 ( คือเชื่อโดยตรง ข้อมูล )แล้วความไว้วางใจของผู้ใช้ที่ระยะ 2 , ฯลฯ โปรดทราบว่าเพราะธรรมชาติของความเฉื่อยของกราฟ ความน่าเชื่อถือ คุณค่าของผู้ใช้ที่ระยะ x เท่านั้นขึ้นอยู่กับความไว้วางใจของผู้ใช้แล้วคำนวณค่าระยะ x ? 1 .

เชื่อถือของผู้ใช้ ระยะที่ 2 หรือมากกว่าจะถูกคำนวณในลักษณะคล้ายคลึงกับ golbeck et al . ขั้นตอนวิธีคือสูตร ( ครอบครัว ) อย่างไรก็ตามรายละเอียดของกว้างการแตกต่างกันอย่างมีนัยสําคัญ ใน tidaltrust ผู้ใช้ คุณ เป็นเพิ่มโหวด ( ) เท่านั้น ถ้าเขาอยู่บนเส้นทางที่สั้นที่สุดจากผู้ใช้เป้าหมายเป็นเป้าหมายของฉันในมืออื่น ๆที่คุณแพทริเซีย วิคเตอร์ มาร์ติน เดอ ไก่ และ คริส คอร์เนลิส ครอบครัว : ตารางลักษณะของทั้งสองรัฐ - of - the - art แนะนำวิธีที่ฉันไว้วางใจเครือข่ายทำนายคะแนนเป้าหมายผู้ใช้และรายการเป้าหมายผม ตามการจัดอันดับของผู้ใช้คุณอื่น ๆสำหรับฉัน

Being translated, please wait..

Other languages

The translation tool support: Afrikaans, Albanian, Amharic, Arabic, Armenian, Azerbaijani, Basque, Belarusian, Bengali, Bosnian, Bulgarian, Catalan, Cebuano, Chichewa, Chinese, Chinese Traditional, Corsican, Croatian, Czech, Danish, Detect language, Dutch, English, Esperanto, Estonian, Filipino, Finnish, French, Frisian, Galician, Georgian, German, Greek, Gujarati, Haitian Creole, Hausa, Hawaiian, Hebrew, Hindi, Hmong, Hungarian, Icelandic, Igbo, Indonesian, Irish, Italian, Japanese, Javanese, Kannada, Kazakh, Khmer, Kinyarwanda, Klingon, Korean, Kurdish (Kurmanji), Kyrgyz, Lao, Latin, Latvian, Lithuanian, Luxembourgish, Macedonian, Malagasy, Malay, Malayalam, Maltese, Maori, Marathi, Mongolian, Myanmar (Burmese), Nepali, Norwegian, Odia (Oriya), Pashto, Persian, Polish, Portuguese, Punjabi, Romanian, Russian, Samoan, Scots Gaelic, Serbian, Sesotho, Shona, Sindhi, Sinhala, Slovak, Slovenian, Somali, Spanish, Sundanese, Swahili, Swedish, Tajik, Tamil, Tatar, Telugu, Thai, Turkish, Turkmen, Ukrainian, Urdu, Uyghur, Uzbek, Vietnamese, Welsh, Xhosa, Yiddish, Yoruba, Zulu, Language translation.