The E-AT model assumes that each gr

The E-AT model assumes that each group member has an equal probability to be a representative (see Eqn. (2)). In this section, we argue that group members have different impacts in group item selection decisions. Hence, we introduce the notion of personal impact parameter to model this difference. Accordingly, we propose a personal impact topic (PIT) model by incorporating the personal impacts to control the generation of group representatives. We also provide the model learning algorithm to infer personal impacts, topic distribution of users and item distributions of topics. Finally, to over-come the over-fitting problem when input dataset is sparse, we extend the PIT model by exploring additional social features.

결과 (한국어) 1:

E-AT 모델 각 그룹 구성원 대표를 동일한 가능성 있다고 가정 합니다 (참조 Eqn. (2)). 이 섹션에서 우리는 그룹 구성원이 그룹 항목 선택 결정에 다른 영향을가지고 주장 한다. 따라서,이 차이를 개인 영향 매개 변수의 개념을 소개 합니다. 따라서, 우리는 그룹 대표의 생성을 제어 하는 개인 영향을 통합 하 여 개인 영향 항목 (구 덩이) 모델을 제안 합니다. 우리는 또한 사용자의 항목 배포와 항목의 항목 개인에 미치는 영향을 추론 알고리즘 학습 모델을 제공 합니다. 마지막으로 때 입력된 데이터 집합은 스파스--피팅 문제가 서, 우리는 추가적인 사회적인 기능을 탐구 하 여 핏 모델 확장.

결과 (한국어) 2:

E-AT 모델은 각각의 그룹 구성원이 대표 될 동일한 확률을 가지고 있다고 가정 (는 식 참조. (2)). 이 섹션에서는 그룹 멤버가 그룹 항목 선택 결정에 서로 다른 영향을 미칠 것을 주장한다. 따라서,이 차이를 모델링 개인 충격 파라미터 개념을 소개한다. 따라서, 우리는 그룹 대표의 생성을 제어하는​​ 개인에 미치는 영향을 통합하여 개인에 미치는 영향 항목 (PIT) 모델을 제안한다. 우리는 또한 개인에 미치는 영향, 사용자와 주제의 항목 분포의 주제 분포를 추론하는 모델 학습 알고리즘을 제공합니다. 마지막으로, 오버 피팅 입력 데이터 세트가 부족한 경우 문제를 우리가 추가 사회적 기능을 탐구하여 PIT 모델을 확장 오버 올 수 있습니다.