A characteristic of most datasets i

A characteristic of most datasets is that the number of data points is much lower than the number of dimensions (e.g., the number of movies rated by a user is much lower than the number of movies in a dataset). Dealing with high-dimensional and sparse data leads to problems in the classification process, known as curse of dimensionality. Previous researches presented approaches that produce group recommendations by clustering users in contexts where groups are not available. In the literature it is widely-known that clustering is one of the classification forms affected by the curse of dimensionality. In this paper we propose an approach to remove sparsity from a dataset before clustering users in group recommendation. This is done by using a Collaborative Filtering approach that predicts the missing data points. In such a way, it is possible to overcome the curse of dimensionality and produce better clusterings. Experimental results show that, by removing sparsity, the accuracy of the group recommendations strongly increases with respect to a system that works on sparse data.

결과 (한국어) 1:

대부분 데이터 집합의 특성은 데이터 포인트의 수는 차원 수보다 훨씬 낮은 (예: 사용자가 별 영화 수는 dataset에서 영화의 수 보다 훨씬 낮은). 높은 차원 및 스파스 데이터 처리 문제 차원의 저주로 알려진 분류 과정에서 이끌어 낸다. 이전 연구는 클러스터링 컨텍스트에서 사용자 그룹은 사용할 수 없습니다 그룹 권장 사항을 생성 하는 방법을 제시. 문학에서 그것은 널리-알려진 클러스터링은 차원의 저주에 의해 영향을 분류 형태 중 하나. 이 종이에 추천 그룹에에서 사용자를 클러스터링 하기 전에 데이터 집합에서 희박도 제거 하는 접근 방식을 제안 한다. 이 누락 된 데이터 요소를 예측 하는 협업 필터링 방법을 사용 하 여 이루어집니다. 이러한 방법으로, 차원의 저주를 극복 하 고 더 나은 clusterings를 생산 가능 하다. 실험 결과 표시, 희박도 제거 하 여 그룹 권고의 정확도 강하게 증가 시킵니다 스파스 데이터에 작동 하는 체계에 관하여.

결과 (한국어) 2:

대부분의 데이터 세트의 특성은 데이터 포인트의 수 (예를 들면, 사용자가 영화 등급의 수가 셋에 영화의 수보다 훨씬 낮은) 치수의 수보다 훨씬 낮다는 것이다. 높은 차원 및 스파 스 데이터를 다루는 것은 차원의 저주로 알려진 분류 과정에서 문제가 이어집니다. 이전 연구 그룹을 사용할 수없는 상황에서 사용자를 클러스터링하여 그룹의 추천을 생산하는 방법을 제시했다. 문헌에서 그 클러스터링 차원의 저주 영향 분류 형태 중 하나라고 널리 알려져있다. 이 논문에서 우리는 그룹의 권고에 사용자를 클러스터링하기 전에 데이터 집합에서 희소성을 제거하는 방법을 제안한다. 이것은 누락 된 데이터 지점을 예측하는 협동 필터링 방법을 사용하여 수행된다. 이러한 방식으로, 차원의 저주를 극복하고보다 clusterings를 제조 할 수있다. 실험 결과, 희소성을 제거하여, 그룹 추천의 정확도 강하게 희소 데이터 작동 시스템에 대해 증가 시킨다는 것을 보여준다.