The set of users has first to be pa

The set of users has first to be partitioned into a number of groups equal to the number of recommendations. Since in our application scenario groups do not exist, unsupervised classification (clustering) is necessary. Users are clustered considering the ratings expressed for the evaluated items. It was recently highlighted in [14] that the k-means clustering algorithm [12] is by far the most used clustering algorithm in recommender systems. This task detects groups by clustering users with the k-means clustering algorithm. The output of the task is a partitioning of the users in groups (clusters), such that users with similar ratings for the same items are in the same group and can receive the same recommendations.

결과 (한국어) 1:

사용자 집합 먼저 권고의 수를 그룹 수로 분할할 수 있다. 우리의 응용 프로그램 시나리오에서 그룹 존재 하지 않는, 자동된 분류 (클러스터링) 이므로 필요한. 사용자 등급 평가 항목에 대 한 표현 고려 클러스터링 됩니다. 그것은 최근에 강조 했다 [14] k-means 클러스터링 알고리즘 [12]는 지금까지 가장 많이 사용 되는 클러스터링 알고리즘 추천자 시스템. 이 작업은 k-means 클러스터링 알고리즘 사용자를 클러스터링 하 여 그룹을 검색 합니다. 작업의 출력은 한 분할 그룹 (클러스터), 사용자가 같은 사용자가 같은 항목에 대 한 비슷한 등급을 가진 동일한 그룹에 동일한 권고를 받을 수 있습니다.

결과 (한국어) 2:

사용자 세트는 제 권고들의 수와 동일한 다수의 그룹들로 분할되어야한다. 존재하지 않는 우리의 응용 프로그램 시나리오 그룹에 있기 때문에, 무 감독 분류 (클러스터링)가 필요합니다. 사용자가 평가 항목에 대한 표현 등급을 고려하여 클러스터 있습니다. 그것은 최근 알고리즘 [12]을 클러스터링 K-수단이 추천 시스템에서 가장 많이 사용되는 클러스터링 알고리즘은 지금까지입니다 [14]으로 강조했다. 이 작업은 K-수단 클러스터링 알고리즘으로 사용자를 클러스터링으로 그룹을 감지합니다. 태스크의 출력은 동일한 아이템에 대해 유사한 평가와 사용자가 동일한 그룹에 동일한 추천받을 수 있도록 집단 (클러스터)에 사용자의 분할이다.