Recommender systems (Resnick & Vari

Recommender systems (Resnick & Varian, 1997) help users faced with an overwhelming selection of items by identifying particular items that are likely to match each user’s tastes or preferences (Schafer et al., 1999). The most sophisticated systems learn each user’s tastes and provide personalized recommendations.
Though several machine learning and personalization technologies can attempt to learn user preferences, automated collaborative filtering (Resnick et al., 1994; Shardanand & Maes, 1995) has become the preferred real-time technology for personal recommendations, in part because it leverages the experiences of an entire community of users to provide high quality recommendations without detailed models of either content or user tastes. To date, automated collaborative filtering systems have focused exclusively on recommending items to individuals. In some domains, such as Usenet News (Konstan et al., 1997; Resnick et al., 1994), this limitation is understandable. Few users read articles collectively. In other domains such as books or music (Shardanand & Maes, 1995), it is common both to enjoy the media alone and in
groups. (Indeed, the MusicFX system (McCarthy & Anagnost, 1998), which did not attempt to use collaborative filtering, was designed specifically to address the challenge of selecting music for the often-large groups of people using a corporate gym.) Moreover certain items, among them restaurants, board games, and movies (Hill et al., 1995), are more commonly enjoyed in groups.
Recommender systems that identify items such as movies for individuals do not address the user’s key question, which is not “what movie should I see?” but rather “what movie should we see?”

결과 (한국어) 1:

추천 시스템 (Resnick & Varian, 1997) 사용자가 특정 항목을 일치 하는 각 사용자의 취향이 나 환경 설정 (Schafer 외., 1999) 것을 식별 하 여 항목의 압도적인 선택에 직면. 가장 정교한 시스템 각 사용자의 취향 학습과 맞춤된 권장 사항을 제공 합니다.비록 몇몇 기계 학습 및 개인화 기술 사용자 기본 설정 법을 배워야 시도할 수 있습니다, 자동 협업 필터링 (Resnick 외, 1994; Shardanand & Maes, 1995) 되고있다 개인 권고에 대 한 선호 실시간 기술 일부 콘텐츠 또는 사용자 취향의 상세한 모델 없이 높은 품질 권장 사항을 제공 하는 사용자의 전체 공동체의 경험을 활용 하기 때문에. 날짜 하려면, 자동화 된 협업 필터링 시스템 개인 항목 추천에 독점적으로 집중 했다. 유즈넷 뉴스 (Konstan 그 외 여러분, 1997; 등 일부 도메인에 Resnick 외., 1994),이 한계는 이해할 수 있다. 몇몇 사용자가 공동으로 기사를 읽었다. 책 이나 음악 (Shardanand & Maes, 1995) 등 다른 도메인, 그것은 일반적인 미디어 혼자 즐길 수 모두에서그룹입니다. (실제로, MusicFX 시스템 (맥 카시 & Anagnost, 1998), 협업 필터링을 사용 하는 것을 하지 않았다, 설계 되었다 기업 체육관을 사용 하 여 사람들이 종종 큰 그룹에 대 한 음악을 선택의 문제 해결을 위해 구체적으로.) 또한 특정 항목, 그들 레스토랑, 보드 게임, 그리고 영화 (힐 외., 1995), 더 일반적으로 즐길 수 있습니다 그룹에.개인에 대 한 영화 등의 항목을 식별 하는 추천자 시스템은 "어떤 영화를 참조 해야 합니까?" 아니라 오히려 "어떤 영화 우리가 참조 해야 합니까?" 하는 사용자의 키 질문 해결 하지

결과 (한국어) 2:

추천 시스템 (레스 닉 & 리언은, 1997) 도움말 사용자는 각 사용자의 취향이나 선호도에 맞게 가능성이 특정 항목을 식별하여 항목의 압도적 인 선택에 직면 (Schafer 씨 등., 1999). 가장 정교한 시스템은 각 사용자의 취향을 배우고 개인화 된 권장 사항을 제공합니다.
여러 기계 학습 및 개인화 기술이 사용자 환경 설정, 자동화 된 협업 필터링을 배우고 시도 할 수 있지만 (레스 닉을 등, 1994;. Shardanand & 메이스는, 1995) 선호하는 실시간되고있다 개인 권장 시간 기술은 부분적으로는 사용자의 전체 공동체의 경험이 콘텐츠 나 사용자의 취향 중 하나의 세부 모델없이 높은 품질의 권장 사항을 제공하기 위해 활용하기 때문이다. 지금까지 자동화 된 협업 필터링 시스템은 개인에 항목을 추천에 주력하고있다. 이러한 유즈넷 뉴스 (.. KONSTAN 등, 1997; 레스 닉 등, 1994)와 같은 일부 영역에서, 이러한 제한은 이해할 것이다. 소수의 사용자가 공동으로 기사를 읽어 보시기 바랍니다. 같은 책이나 음악 (Shardanand & 메이스, 1995)와 같은 다른 도메인에서는 모두 단독으로 미디어를 즐길하는 것이 일반적입니다
그룹. (사실, MusicFX의 시스템은 (협업 필터링을 사용하지 않았다 맥카시 & Anagnost, 1998), 기업의 체육관을 사용하는 사람들의 자주 큰 그룹 음악을 선택하는 문제를 해결하기 위해 특별히 설계되었습니다.) 또한 특정 항목을 그들 레스토랑, 보드 게임, 영화 중 (힐 등.이, 1995), 더 일반적으로 그룹으로 즐길 수 있습니다.
예를 들면 사용자의 키 문제를 해결하지 않는 사람들을위한 영화와 같은 항목을 식별 추천인 시스템을 "어떤 영화를하지 않은 해야 우리가 볼 수 무슨 영화? 참조 "가 아니라"? "