Recommender systems have been devel

Recommender systems have been developed to deal with in-formation overload and produce personalized content for the users by exploiting context-awareness in a domain. This is done by computing a set of previously expressed preferences, in order to recommend items that are likely of interest to a user. Collaborative Filtering (CF) [11, 15, 19] is by far the most successful recommendation technique. The main idea of CF systems is to use the opinions of a community, in order to provide item recommendations. There are context and domains where classic recommenda-tion cannot be used, because the recommendation process involves more than a person and preferences have to be com-bined in order to produce a single recommendation that sat-ises everyone (e.g., people traveling together or going to a restaurant/museum together). Therefore, in order to sup-port recommendations in social activities, algorithms able to provide group recommendations were developed. Group recommendations are provided according to the way a group is modeled. Group modeling is the combination of the pref-erences expressed by single users into a common group pref-erence.

A special type of group recommendation is needed when technological constraints limit the bandwidth available for the recommendation. This is for example the case of Satel-lite Systems, in which the number of channels is limited and a personalized TV schedule cannot be produced.

결과 (한국어) 1:

추천자 시스템 컨텍스트-인식 도메인을 이용 하 여 사용자에 대 한 개인 설정된 콘텐츠를 생산 하 고 형성에 과부하를 다루는 개발 되었습니다. 이것은 사용자에 게 관심이 있는 항목을 권장 하기 위해 이전 표현된 환경 설정의 집합을 계산 하 여 이루어집니다. 협업 필터링 (CF) [11, 15, 19]은 지금까지 가장 성공적인 추천 기술입니다. CF 시스템의 주요 아이디어는 항목 권장 사항을 제공 하기 위해 커뮤니티의 의견을 사용 하는. 추천 과정 사람과 환경 설정 해야 토 단일 추천을 만들기 위해 com bined 보다 더 포함 하기 때문에 컨텍스트 및 도메인 어디 클래식 운영과-기는 사용할 수 없습니다, 거기는-es 모두 (예를 들어,: 사람들이 함께 여행 또는 레스토랑/박물관을 함께 하려고) 이다. 따라서, 사회 활동에서 저녁을 먹다-포트 권장 순서, 알고리즘 그룹 권장 사항을 제공할 수 있게 개발 되었다. 그룹 추천 그룹 모델링 방법에 따라 제공 됩니다. 그룹 모델링은 일반적인 그룹 pref-erence로 단일 사용자에 의해 표현 pref 기본의 조합 이다. 특별 한 유형의 그룹 추천 기술적 제약 추천에 사용할 수 있는 대역폭을 제한 하는 경우 필요 합니다. 이것은 예를 들면 Satel 라이트 시스템, 채널의 수는 제한 하 고 맞춤된 TV 일정 생산 수 없습니다 있는 경우.

결과 (한국어) 2:

시스템은 추천 기의 형성 및 과부하에 대처 도메인에서 상황 인식을 활용하여 사용자에게 개인화 된 컨텐츠를 생성하기 위하여 개발되었다. 이것은 사용자가 관심을 보인다 아이템 추천하기 위해서, 이전에 표현 된 선호 세트를 계산함으로써 수행된다. 협업 필터링 (CF) [11, 15, 19] 지금까지 가장 성공적인 추천 기술입니다. CF 시스템의 주요 개념은 아이템의 권고를 제공하기 위해, 공동체 의견을 사용하는 것이다. 추천 처리부는 사람보다 더 포함하고 선호도 단일 추천 정보 생성하기 위해 COM-bined되어야하기 때문에 고전 recommenda-능 사용할 수없는 상황 및 도메인이있다 사람 ES 토 - 인 (예를 들어, 사람이 함께 여행 나) 함께 레스토랑 / 박물관에가는. 따라서, 저녁을 먹다 포트 사회적 활동에 권장 사항을 위해, 그룹의 권고가 개발되었다 제공 할 수있는 알고리즘을. 그룹 권장 그룹은 모델링 방법에 따라 제공됩니다. 그룹 모델링 공통 그룹 현-ERENCE으로 단일 사용자로 표시 현-erences의 조합이다. 기술적 제약이 추천 가능한 ​​대역폭을 제한 할 때 그룹 추천 특별한 유형이 필요하다. 이것은 예를 들어 채널의 개수가 제한되고 개인화 TV 스케줄이 생성 될 수없는 SATEL 라이트 시스템의 경우이다.

결과 (한국어) 3:

추천 시스템에 처리할 이미 개발 정보 과부하 및 생산 사용자에게 맞춤 내용을 이용하여 도메인 컨텍스트 의식.이 일은 한 벌 계산 이전에 표현을 취향 때문에 아마 추천 항목 관심 한 사용자.협동 필터 (cf) [11, 15, 19] 가장 성공한 건의를 기술.요점을 사용 cf 시스템 의견을 제공할 수 있도록 한 사회의 프로젝트 건의를 제기했다.여기 배경 및 영역에 대한 고전 건의를 사용할 수 없습니다. - 더 때문에 하고자 한 사람은 반드시 근심은 선호 얻기 위해서 모든 것을 세 한 번 앉아 (예를 들어, 사람 같이 여행 또는 식당에 가서 식사를 / 박물관 같이).그래서 그 지원 건의를 알고리즘 사회 활동 제공할 수 있는 그룹 서다.그룹 설정 방식 건의에 따라 모델 한 팀.그룹 모델 이 우선 차이 결합 대해 자주 그룹 우선 한 사용자 참고 것이다.- 특수 그룹 때 필요한 대역폭 기술 제한 사용할 수 있는 건의를.이것은 예 위성 시스템, 그 채널 수가 많지 및 개인 텔레비전 프로그램 만들 수 없습니다.