As mentioned in Section 1, all the

As mentioned in Section 1, all the social recommendation approaches need to utilize the additional explicit user social information, which may limit the impact and utilization of these approaches. In this section, we seek an alterative way to compute implicit user social information once the explicit user social relationships are unavailable. The essence of social recommendation approaches lies in the additional explicit social information of each user. The information of these social friends can then be utilized to help model a user’s taste more accurately. In the case of missing explicit social information, as shown in Figure 1, we can always compute another set of Top-N similar users and
then plug in those similar users to the aforementioned social recommendation matrix factorization framework.

결과 (한국어) 1:

섹션 1에서 언급 한, 모두 소셜 추천 접근 영향 및 이러한 접근의 이용을 제한할 수 있습니다 추가 명시적 사용자 사회 정보를 활용 해야 합니다. 이 섹션에서 우리는 명시적 사용자 사회적 관계는 사용할 수 없습니다 일단 암시적 사용자 사회 정보를 계산 하는 그렇지 방법을 추구 합니다. 소셜 추천 방식의 본질 각 사용자의 추가 명시적 소셜 정보에서 속 인 다. 이러한 사회 친구의 정보 다음 사용자의 취향을 더 정확 하 게 모델링 도움을 활용할 수 있습니다. 그림 1에서와 같이 명시적 소셜 정보를 누락의 경우 우리가 항상 상위 N 유사한 사용자의 또 다른 세트를 계산할 수 있습니다,그런 다음 앞서 언급 한 소셜 추천 행렬 인수 분해 프레임 워크에 유사한 사용자에 연결 합니다.

결과 (한국어) 2:

제 1 절에서 언급 한 바와 같이, 모든 사회적 추천 방식은 이러한 방식의 영향 및 활용을 제한 할 수 있습니다 추가로 명시 적으로 사용자의 사회 정보를 활용해야합니다. 이 섹션에서는, 우리는 명시 적으로 사용자의 사회적 관계를 사용할 수없는 한 번 암시 사용자의 사회적 정보를 계산하기 위해 바꾸는 방법을 추구합니다. 사회 추천의 본질은 각 사용자의 추가 명시 적, 사회적 정보에 거짓말을 접근한다. 이들 사회 친구의 정보는보다 정확하게 사용자의 기호를 모델링 있도록 이용 될 수있다. 도 1에 도시 된 바와 같이, 명시적인 사회적 누락 정보의 경우에, 우리는 항상 상위 N 유사한 다른 사용자들의 집합을 계산할 수 있고,
그 다음 전술 한 소셜 추천 매트릭스 인수 분해 프레임 워크 그 유사한 사용자 플러그.

결과 (한국어) 3:

한 마디 중에 언급한 모든 사회 - 다른 방법을 이용하여 사용자 사회 정보가 필요합니다. 이 낮아질지도 영향 및 그 방법 적용.이번 축제 에서 우리 시도가 계산 암시적 사용자 사회 정보 일단 사용자 사회 관계는 사용할 수 없습니다. 다른 방식으로.사회 - 본질 에 방법 추가 명확한 사회 정보 모든 사용자.그리고 이 사회 친구 정보는 돕기 위해 사용자의 맛을 더 정확하게 모델.이 빠진 명확한 사회 정보 상황에서 같은 그림 1 개 보이다, 우리는 다른 한 벌 수 계산 문제가 생기는 비슷한 사용자와
이런 비슷한 사용자. 그리고 이런 사회 - 행렬 분해 틀 것이다.