Specifically, considering that the

Specifically, considering that the interest group is usually created based on multiple users’ comment interests in items, their ratings (or implicit interaction like clicking) on items should reveal their similarity in terms of joining the groups. On the other hand, the friendship data can be supplementary to provide the network relation between users, though they might not be stronger than user-item preferences to reflect the common interests. In our work, the respective effects of the two information resources on improving group recommendation accuracy are empirically studied. Particularly, we take into account the property of data resource (i.e., bipartite or one mode data) when choosing the proper fusion model. More notably, the work has been grounded on the Matrix Factorization (MF) mechanism owing to its well-recognized high algorithm efficiency and accuracy [7]. In the following, we will first describe related works and then in detail present our proposed fusion methods. The experiment setup and results analysis will follow. At the end, we will conclude the major findings.

결과 (한국어) 1:

특히, 관심 그룹은 일반적으로 항목에 여러 사용자의 의견 관심에 따라 만든 고려 하 고, 그들의 등급 (또는 클릭 같은 암시적 상호 작용) 항목에 계시 해야 한다 그룹 합류 점에서 그들의 유사성. 그들은 공통의 관심사를 반영 하기 위해 기본 설정을 사용자 항목 보다 더 강한 되지 않을 수도 있지만 다른 한편으로, 우정 데이터 제공 하는 사용자 간의 네트워크 관계를 보충 수 있습니다. 우리의 일에 그룹 추천 정확도 향상에 두 정보 자원의 해당 효과 실험적으로 공부 했다. 특히, 우리 고려 데이터 리소스의 속성 (즉,이 분 또는 한 모드 데이터) 적절 한 융합 모델을 선택할 때. 더 주목할만 하 게, 작품 행렬 인수 분해 (MF) 메커니즘은 잘 인식된 높은 알고리즘 효율성과 정확성 [7] 때문에 기초 되어 있다. 다음에, 우리는 먼저 관련된 작품을 설명 하 고 다음 세부 사항에 우리의 제안 된 융합 방법 제시. 실험 설정 및 결과 분석을 수행 합니다. 끝에, 우리는 주요 연구 결과 결론 것입니다.

결과 (한국어) 2:

특히, 이익 집단은 일반적으로 항목에서 여러 사용자의 의견 이익을 기반으로 생성되는 것을 고려 항목에 대한 자신의 평가 (또는 클릭 같은 암시 적 상호 작용) 그룹에 합류의 관점에서 자신의 유사성을 공개한다. 그들은 사용자 선호 항목은 공통의 관심을 반영하기 위해보다 강한하지 않을 수도 있지만, 다른 한편으로는, 친구 데이터는, 사용자들 사이의 관계의 네트워크를 제공 할 부가 될 수있다. 우리의 작업에서 그룹 추천 정확도를 향상에있는 두 개의 정보 자원의 각각의 효과를 경험적으로 연구한다. 적절한 융합 모델을 선택할 때 특히, 우리는 계정에 (즉, 양자 또는 하나의 모드 데이터) 데이터 자원의 속성을 가져 가라. 더 특히, 작업은 잘 인식 높은 알고리즘의 효율성과 정확성으로 인해 매트릭스 인수 분해 (MF) 메커니즘에 근거하고있다 [7]. 이하에서, 우리는 먼저 관련 작품을 설명한다 후 상세히 제안 융합 방법을 제시한다. 실험 설정 및 결과 분석을 수행합니다. 마지막에, 우리는 중요한 결과를 결론 지을 것이다.

결과 (한국어) 3:

특히, 이런 기초 위에 세운 이익 집단 보통 다중 사용자 항목을 평론 이익을 그 등급 (또는 숨은 상호 마치 클릭) 물품 등에 따르면 그 비슷한 한다 가맹 단체.한편, 우정 데이터 정말 관계 보충 인터넷 사용자그들은 아마 더 사용자 항목을 선호 공동 이익을 반영한다.우리 각자 효과, 두 자원의 정밀도 개선 그룹 건의에 대해 연구하다.특히 우리는 고려해 데이터 자원 재산 (예를 들어, 이분 또는 한 방식을 선택할 때 데이터) 적절한 융합 모델.더 특히이 일은 이미 기반 (m) 체제 행렬 때문에 그 높은 알고리즘 공인된 효과가 있다.아래, 우리는 먼저 관련 작품을 자세히 설명. 그리고 현재 우리가 제시한 융합 방법.테스트 프로그램 분석, 결국 것이다.마지막 중대한 발견 끝날 것이다.