1. We formalize the problem of top-

1. We formalize the problem of top-k group recommendation and use a model for group consensus similar to the social value functions developed in [18] to incorporate various predicted rating and disagreement models.
2. We propose the use of pairwise disagreement lists, and design and implement efficient group recommendation algorithms based on the merging and effective pruning of individual predicted rating lists and pairwise disagreement lists.
3. Given the potentially large number of disagreement lists, we exploit shared user behavior to reduce the space
requirement of those lists. As a result, we extend the group recommendation algorithms to process factored lists.We showthat factoring common entries in disagreement lists can drastically reduce storage space without
incurring I/O overhead.
4. The factoring strategy does not always guarantee reaching a fixed space budget. To achieve a certain space budget, we develop a partial materialization strategy which exploits the size of each disagreement list and their impact on query processing: it skips disagreement lists in order to minimize space, while incurring small processing time overhead.We formalize this question as an adaptation of the Knapsack problem and develop an algorithm to solve it.
5. We run an extensive set of experiments with different group sizes on MovieLens data sets. We perform extensive user study in Amazon’s Mechanical Turk to demonstrate the effectiveness of our group recommendation semantics and howsatisfied users are with recommended group ratings compared to individual ones.Our elaborate performance experiments exhibit the efficiency of group recommendation computation. We also demonstrate the benefit of behavior factoring and partial materialization on space.

결과 (한국어) 1:

1. 우리는 상위-k 그룹 추천 문제를 공식화 하 고 [18] 다양 한 예측된 평가 통합 개발 하는 사회적 가치 기능에 유사한 그룹 합의 대 한 모델을 사용 하 여 불일치 모델.2. 우리는 없음을 불일치 목록의 사용을 제안 하 고 디자인 병합에 따라 효율적인 그룹 추천 알고리즘을 구현 하 고 개별 예측된 등급 목록 및 인덱스도 불일치의 효과적인 정리 나열 합니다.3. 불일치 목록의 잠재적으로 많은 수를 감안할 때, 우리는 공간을 줄이기 위해 공유 사용자 동작을 이용그 목록 요구 사항입니다. 결과적으로, 우리 그룹 추천 알고리즘 처리 구성된 목록을 확장 합니다. 우리 showthat 고려해 일반적인 항목 불일치 목록에 크게 없이 저장 공간을 줄일 수 있습니다.I/O 오버 헤드 발생 4. 고려해 전략은 항상 고정된 공간 예산에 도달 보장 하지 않습니다. 우리는 각 의견 목록 및 쿼리 처리에 미치는 영향의 크기를 이용 부분 구체화 전략을 개발 하는 특정 공간 예산 달성 하기: 작은 처리 시간 오버 헤드가 발생 하는 동안 공간을 최소화 하려면 의견 목록 생략. 우리 배낭 문제의 적응으로이 질문을 공식화 하 고 그것을 해결 하는 알고리즘을 개발 합니다. 5. 우리는 MovieLens 데이터 집합에 다른 그룹 크기와 실험의 광범위 한 세트를 실행합니다. 우리가 우리의 그룹 추천 의미의 효과 보여 주기 위해 아마존의 기계적 터크에 광범위 한 사용자 연구를 수행 하 고 howsatisfied 사용자는 권장 그룹 등급 개인 것 들에 비해. 우리의 정교한 성능 실험 그룹 추천 계산의 효율성을 전시 한다. 또한 행동 고려해 공간에 부분 구체화의 혜택을 설명합니다.

결과 (한국어) 2:

1. 우리는 최고-K 그룹 추천의 문제를 공식화하고 다양한 예측 평가 및 의견 모델을 통합하기 위해 [18]에서 개발 된 사회적 가치의 기능과 유사한 그룹 합의에 대한 모델을 사용합니다.
2. 우리는 페어 의견 목록 및 디자인의 사용을 제안하고 합병 및 개별 예측 평가 목록 및 페어 의견 목록의 효과적인 정리를 기반으로 효율적인 그룹 추천 알고리즘을 구현한다.
3. 의견 목록의 잠재적으로 많은 수를 감안할 때, 우리는 공간을 줄이기 위해 사용자의 행동을 공유 악용
그 목록의 요구 사항을. 결과적으로, 우리는 급격하지 않고 저장 공간을 줄일 수있는 불일치리스트에서 항목을 감안 공통 인수 분해 lists.We을 처리하는 그룹 추천 알고리즘 전리층 확장
I / O 오버 헤드. 들이지
4. 인수 분해 전략은 항상 고정 된 공간 예산에 도달 보장하지 않습니다. 특정 공간 예산을 달성하기 위해, 우리는 각각의 불일치리스트의 크기 및 질의 처리에 미치는 영향을 이용한다 부분 구체화 전략을 개발 : 같이이 문제를 공식화 overhead.We 작은 처리 시간을 초래하면서 그 공간을 최소화하기 위해 불일치 목록을 스킵 배낭 문제의 적응과 그것을 해결하는 알고리즘을 개발한다.
5. 우리는 MovieLens 데이터 세트에 다른 그룹의 크기가 실험의 광범위한 세트를 실행합니다. 우리는 우리 그룹의 추천 의미의 효과를 입증하기 위해 아마존의 기계 터크 광범위한 사용자 연구를 수행하고 사용자가 개인 ones.Our 정교한 성능 실험을 전시 그룹 추천 계산의 효율성에 비해 권장 그룹 등급에 있습니다 howsatisfied. 우리는 또한 행동 팩토링과 공간에 부분 구체화의 혜택을 보여줍니다.