Based on the discussion above, this

Based on the discussion above, this study assumes that the input data contains items’ ratings given by both individuals and groups. Here, let us briefly explain how our aggregation method is different from the three approaches stated above. Let group G be composed of users u1, u2 and u3. Suppose we have the ratings of item iz by users u1, u2, u3, subgroup {u1,u2} and subgroup {u2,u3}. Now, to predict what rating group G would give on item iz, all the previous researches will make their predictions only based on the ratings from users u1, u2 and u3, although the second approach would ask users provide additional information and the third one would ask the helps of domain experts. On the contrary, our approach will use genetic algorithm (GA) to learn a group rating of item iz that best fits the existing ratings of iz given by users u1, u2, u3 and subgroup {u1,u2} and {u2,u3}. The key idea behind this GA is the observation that we can learn the interactions among users from the known group ratings. For example, if users u1 and u2 rate item iz as 1 and 5, respectively, but they as a whole rate item iz as 4, then we realize that user u2 seems play more influential role in this group, which somewhat reflects the personalities of users u1 and u2. By applying GA appropriately, it is expected that the interactions among users could be learned and reflected in our recommendation. As a result, the advantages of our approach include: (1) the interactions among users are considered in the model, (2) users do not need provide additional information, and (3) it does not rely on domain experts.

결과 (한국어) 1:

위의 토론을 바탕으로,이 연구는 개인 및 그룹에 의해 주어진 항목의 등급 입력된 데이터에 포함 되어 있는지 가정 합니다. 여기, 우리가 간단히 설명 어떻게 우리의 집계 방법은 위에서 언급 한 세 가지 접근 방법에서 다른. 하자 그룹 G 사용자 u1, u 2와 u 3의 구성. 가정 우리가 사용자 u1, u2, u3, 여 항목 오늘 평가 하위 그룹 {u1, u2} 및 {u2, u3} 하위 그룹. 자, 어떤 평가 그룹 G 항목 오늘에 줄 것 이라고 예측, 모든 이전 연구 만들 것입니다만 사용자 u1, u2, u3에서 등급에 따라 그들의 예측 하지만 두 번째 방법은 사용자가 추가 정보를 제공 하 고 세 번째 도메인 전문가의 도움을 물어 물어. 그와 반대로, 우리의 접근은 유전자 알고리즘 (GA) 항목 어제 오늘 사용자 u 1에 의해 주어진의 기존 등급에 가장 적합의 그룹 등급을 배우고, u2, u3 및 하위 그룹 {u1, u2}를 사용 합니다 및 {u2, u3}. 이 뒤에 핵심 아이디어는 우리가 알려진된 그룹 등급에서 사용자 간의 상호 작용을 배울 수 있는 관찰 이다. 예를 들어 사용자 u 1과 u 2 평가 항목 오늘 1 및 5, 각각, 하지만 4, 전체 속도 항목 어제로 그들은 우리가 그 사용자 u 2 것 깨 달 경우 다소 사용자 u 1와 u 2의 성격을 반영 하는이 그룹에 더 영향력 있는 역할을 재생. 가 적절 하 게 적용 하 여 사용자 간의 상호 작용 알게 되 고 우리의 추천에 반영 될 수 예상 된다. 결과적으로, 우리의 접근 방법의 이점은 포함 한다: (1) 사용자 간의 상호 작용 모델에 것으로 간주 됩니다, 추가 정보를 제공 (2) 사용자 필요 하지 않습니다 및 (3) 도메인 전문가에 의존 하지 않습니다.

결과 (한국어) 2:

위 논의에 기초하여, 본 연구는 입력 데이터가 개인 및 그룹 모두에서 주어진 항목의 평가가 포함되어 있다고 가정한다. 여기, 우리의 집계 방법은 위에서 언급 한 세 가지 방법과 다른 방법을 우리가 간단히 설명 할 수 있습니다. 그룹 G는 사용자 U1, U2와 U3로 구성 될 수 있습니다. 우리는 사용자 U1, U2, U3, 하위 그룹 {U1, U2}과 {하위 그룹 U2, U3}에 의해 IZ 항목의 등급을 가지고 가정하자. 이제, 두 번째 방법은 사용자가 추가 정보를 세번째 것를 제공 물어 보곤하지만 G는 항목 이즈에 줄 것이라고 평가 그룹은, 이전의 모든 연구는, 사용자 만의 U1, U2와 U3에서 등급에 따라 자신의 예측을 만들 것입니다 무엇을 예측하는 도메인 전문가의 도움 부탁드립니다. 반대로, 우리의 접근 방식은 최적의 사용자 U1, U2, U3 및 하위 그룹 {U1, U2}에 의해 주어진 이즈의 기존 등급에 맞는 항목 이즈의 그룹 평가 내용은 유전자 알고리즘 (GA)를 사용합니다 {U2, U3} . 이 GA 뒤에 핵심 아이디어는 우리가 알려진 그룹 평가에서 사용자들 사이의 상호 작용을 배울 수있는 관측이다. 예를 들어, 이즈 사용자 U1과 U2 속도 항목 1, 5, 각각,하지만 그들이 4로, 우리는 사용자 U2는 약간의 성격을 반영하는이 그룹에서 더 영향력있는 역할을 할 것으로 보인다 실현 IZ 전체 속도 항목으로 사용자 U1과 U2. GA 적절히 적용함으로써, 이는 사용자들 사이의 상호 작용이 학습하고 추천 정보에 반영 될 수있는 것으로 예상된다. 결과적으로, 우리의 방법의 장점은 : (1) 사용자들 사이의 상호 작용은 모델에서 고려된다 (2) 사용자가 추가 정보를 필요로하지 않으며, (3) 도메인 전문가에 의존하지 않는다.

결과 (한국어) 3:

이 기초 위에 만약에 입력 데이터 포함 연구 프로젝트 시청률 두 사람 또는 집단 거야.여기, 우리 간략하게 설명을 우리 모여 방법이 다르다 상술한 세 가지 방법이 있다.우리 팀 구성 사용자 (g) (u) 과 나는,.우리 프로젝트 형성 평가 사용자 (u),,, 사람은 (u), 그룹 (}, 아시아, {(u),.이제 와서 무슨 등급 (g) 예측할 수 그룹 항목에 관한 화 다 것이다, 과거의 그 예언은 겨우 따라 시청률, 나는 사용자 (u), 비록, 두 번째 방법은 좀 더 많은 정보를 제공할 수 있는 사용자, 세 번째 분야 전문가 요구할 수 있다.반면, 우리는 방법을 쓸 줄 알고 알고리즘 (가) 한 팀 프로젝트 형성 평가 가장 적합한 시간 기존 시청률 때문에 사용자 (u),,,, 사람은 그룹 ((u) {(,), 나는.이 (가) 핵심 사상은 관측 배울 수 있는 사용자 이 상호 알려진 그룹 시청률.예를 들어, 만약 사용자 2% u 프로젝트 변화 각각 1, 5, 그들은 전체 프로젝트 변화 속도 4, 그럼 우리 알 것 더 큰 영향력을 발휘하다 사용자 (이 그룹, 인사 좀 반영 사용 (u).적당히 주는 것으로 가, 상호 사용자 배울 수 있다는 것을, 우리.그래서 우리 방법을 가지고 포함 (1) 은 서로 사용자 모드 (2) 사용자, 더 많은 정보를 제공할 필요가 없다, (3) 이 분야의 전문가 안 한다.