Item recommendation is an essential

Item recommendation is an essential service for e-commerce and web services (e.g. net-ix.com and amazon.com). The goal is to recommend a list of items that a targeted user may be interested in. Collaborative filtering and content-based techniques are two widely adopted approaches for recommender systems [1, 22]. Both of them discover users' personal profiles and utilize these profiles to find relevant items. Collaborative filtering techniques [7, 9, 21] automatically predict relevant items for a given user by referencing item rating information from othe similar users. Content-based techniques [16] make recommendations by matching a user's personal profile to descriptive information of items. Although both techniques are complimentary to each other, collaborative filtering gains huge popularity among modern web services because it is easier to obtain item ratings explicitly (e.g. from movie rating by netix.com) or implicitly (e.g. click information from amazon.com) from users than to collect interest descriptive information from users. Therefore, many techniques adopt the ideas of collaborative filtering. The classic memory-based collaborative filtering technique [19, 21] identifies a group of k users that have the most closed rating results with the targeted user, and merge ratings from these k users to find the top-N recommendations. However, there are several limitations for the memory-based CF techniques, such as when data are sparse and the common items are few, it is problematic to find similar users. To achieve better prediction performance and overcome shortcomings of memory-based CF algorithms, model-based CF approaches, including matrix factorization [6], clustering CF models [23], and latent semantic models [10], have been investigated.

결과 (한국어) 1:

Item recommendation is an essential service for e-commerce and web services (e.g. net-ix.com and amazon.com). 목표는 추천 대상된 사용자에 관심이 있을 수 있습니다 항목의 목록입니다. 협업 필터링 및 콘텐츠 기반 기술을 추천자 시스템 [1, 22]에 대 한 두 가지 광범위 하 게 채택된 방법 있습니다. 둘 다 그들의 사용자의 개인 프로필을 발견 하 고 관련 항목을 찾을 수이 프로 파일을 활용. 협업 필터링 기법 [7, 9, 21] 자동으로 인접해 비슷한 사용자에서 항목 등급 정보를 참조 하 여 지정된 된 사용자에 대 한 관련 된 항목을 예측. 콘텐츠 기반 기술 [16] 항목의 설명 정보에는 사용자의 개인 프로필을 일치 하 여 권장 사항을 확인 합니다. 두 기술이 서로 무료 있지만, 협업 필터링 거 대 한 인기 상승 현대 웹 서비스 중 항목 평가를 쉽게 하기 때문에 명시적으로 (예:에서 netix.com에 의해 영화 등급) 또는 암시적으로 (예: 아마존에서 정보를 클릭) 보다 사용자의 관심 설명 정보를 수집 하는 사용자에서. 따라서, 많은 기술 협업 필터링의 아이디어를 채택 한다. 고전적인 메모리 기반 협업 필터링 기법 [19, 21] 대상된 사용자와 가장 닫힌된 평가 결과 및 등급 상위 N 권장 사항을 찾을 수이 k 사용자에서 병합 k 사용자의 그룹을 식별 합니다. 그러나,와 같은 데이터는 스파스 하 고 일반적인 항목은 몇 가지, 그것은 유사한 사용자를 찾는 데 문제가 CF 메모리 기반 기술에 대 한 몇 가지 제한이 있습니다. 예측 성능이 향상 및 CF 메모리 기반 알고리즘의 단점을 극복, 모델-기반 CF 접근, 행렬 인수 분해 [6], CF 모델 [23], 그리고 잠재성 의미 체계 모델 [10], 클러스터링을 포함 하 여 조사 되었습니다.

결과 (한국어) 2:

상품 추천은 전자 상거래 및 웹 서비스 (예 : net-ix.com 및 amazon.com)에 필수적인 서비스입니다. 목표는 대상 사용자가 관심이있을 수있는 항목의 목록을 추천하는 것입니다. 협업 필터링 및 콘텐츠 기반 기술 추천인 시스템 [1, 22] 두 널리 사용 방법을 제공합니다. 둘 다 사용자의 개인 프로필을 발견하고 관련 항목을 찾기 위해이 프로파일을 사용합니다. 협업 필터링 기술 [7, 9, 21]가 자동으로 인접 해 유사한 사용자의 항목 평가 정보를 참조하여 특정 사용자에 대한 관련 항목을 예측하고있다. 콘텐츠 기반 기술 [16] 항목의 정보를 설명적인하기 위해 사용자의 개인 프로필을 일치시켜 권고를. 두 가지 기술이 서로 협업 필터링에 무료 있지만 명시 적 항목 평가를 얻기 위해 쉽기 때문에 현대적인 웹 서비스들 사이에서 큰 인기를 얻는다 (예를 들어 영화 netix.com에 의한 평가)에서 암시 적으로 또는 (예 : amazon.com에서 정보 클릭) 사용자의를 보다 사용자의 관심 설명 정보를 수집합니다. 따라서, 많은 기술 협업 필터링의 아이디어를 채택한다. 고전 메모리 기반 협업 필터링 기법 [19, 21] 타겟 사용자와 가장 폐쇄 된 평가 결과를 가지고, 최상위 N 추천을 찾아 이들 K 사용자들로부터 평가를 병합 K 사용자들의 그룹을 식별한다. 그러나, 이러한 데이터가 희소하고, 공통 항목 몇 가지 경우가 유사한 사용자를 찾을 수있는 바와 같이 문제가 CF 메모리 기반 기법에 대한 몇 가지 제한이있다. 나은 예측 성능을 달성하고 매트릭스 인수 분해 [6], 클러스터링 CF 모델 [23], 및 잠재 의미 론적 모델 [10]을 포함하여 메모리 기반 CF 알고리즘, 모델 기반 CF 접근법의 단점을 극복하기 위해 연구되었다.

결과 (한국어) 3:

프로젝트 - 전자상거래의 중요한 서비스 및 인터넷 서비스 (예: net-ix.com 아마존. com).목표는 추천 목록 한 대상 사용자 관심이 있을 것입니다.협동 필터 및 내용 기술 추천 시스템에 두 광범위하게 사용하는 방법을 [1, 2].둘 다 것을 사용자 프로필 이용해 이 프로필 관련 항목을 찾을 수 있다.기술 협동 필터 (7, 9, 21] 관련 항목 자동 예측 주어진 사용자 항목을 다른 등급 참조 정보 같은 사용자.기초 기술 함량을 일치하는 [16] 제기한 사용자 프로필 기술 정보 물건.비록 서로 보완하다 두 기술 협동 필터 수익을 인기 때문에 큰 현대 서비스 매우 쉽게 얻을 수 있는 프로젝트 (예: 시청률 분명히 그 영화 등급 netix. com) (예: '정보 또는 몰래 아마존. com) 은 사용자 설명 사용자 정보 수집 취미.그래서통해 많은 기술 협동 필터 사상.클래식 기억 기술 협동 필터 [19, 21] 확인 한 무리의 k 사용자 가장 비공개 평가 결과가 이미 합병 대상 사용자, 이 k 사용자 등급 top 건의를 찾을 수 있다.근데 몇 가지 제한 기초 cf 기술 기억,만약 데이터 공동 항목 드문드문 몇, 그것은 문제가 같은 사용자 찾을 수 있다.성능 좋은 예측 극복 기초 cf 알고리즘 기억, 모델 cf 방법 포함 행렬 분석 [] [23] 봉사 cf 모델, 몰래 어의 모델 [10], 영향을 주었다.