We now look further on how differen

We now look further on how different strategies work for the cold-start problem. We compute RMSE on dataset1 for four cases: predict ratings for existing users (users exist in training set) to existing items (items exist in training set), predict ratings by existing users to new items (items that do not exist in training set), predict ratings by new users to existing items, and predict ratings by new users to new items. We abbreviate these four cases as oop, onp, nop, and nnp. As mentioned above, MF, LDA-filtering and CF are not capable of handling all these cases. Our modifications are as follows: for onp, MF randomizes an item factor, and generates ratings from the user factor and the pseudo item factor; LDA-filtering inferences the topic distribution for the new item, and generates ratings as usual. For nop, MF randomizes a user factor, and generates ratings from the pseudo user factor and the item factor; LDA-filtering randomizes the topic distribution for the new user, and generates ratings by the pseudo user topics and the item topics. For nnp, MF and LDA-filtering give a random guess. CF uses the average rating for onp, nop and nnp. The RMSE performance of the four algorithms on the cold start problem and all rating predictions are shown in Figure 3. We can observe that PRemiSE is comparable with MF in existing item and existing user rating prediction, but outperforms MF and LDA-filtering in predicting cold start problems, including new users and new items.

결과 (한국어) 1:

우리는 이제 추위 시작 문제에 대 한 다른 전략에 더 봐. 우리 4 개의 경우 dataset1 RMSE 계산: 기존에 대 한 평가 예측 사용자 (사용자가 학습 집합에 존재)를 기존 (항목에 항목 집합 교육), 등급 (훈련 집합에 존재 하지 않는 항목), 새 항목을 기존 사용자가 기존 항목을 새 사용자 등급을 예측 하 고 새로운 사용자가 새 항목에 등급을 예측 예측. 우리는 이러한 4 개의 경우 oop, onp, nop, 및 nnp 생략. 위에서 설명 했 듯이, MF, LDA 필터링 및 CF는 이러한 모든 경우를 처리할 수 없습니다. 우리의 수정 작업은 다음과 같습니다: onp, MF 및 항목 요소를 무작위로 사용자 비율과 의사 항목 요소;에서 등급을 생성 LDA 필터링 추론 항목 배포 새 항목에 대 한 평소 처럼 등급을 생성 하 고. Nop, MF 사용자 요소를 무작위로 한 의사 사용자 요소 및 항목 요소;에서 등급을 생성 LDA 필터링 새 사용자에 대 한 항목 배포를 무작위로 생성 하 고 의사 사용자 주제와 항목 항목에 의해 평가. Nnp, MF 및 LDA 필터링 임의 추측을 제공합니다. CF는 onp, nop nnp에 대 한 평균 점수를 사용합니다. 콜드 시작 문제에 4 개의 알고리즘 및 모든 등급 예측의 RMSE 성능은 그림 3에 나와 있습니다. 우리는 전제에 MF와 유사한 기존 항목 및 기존 사용자 평가 예측, 하지만 새 사용자 및 새 항목을 포함 하는 콜드 시작 문제 예측에 MF와 LDA 필터링을 능가 관찰할 수 있다.

결과 (한국어) 2:

우리는 지금 냉 시동 문제에 대해 어떻게 작동하는지 다른 전략을 더 본다. 우리 네 경우에을 DataSet1에 RMSE를 계산 : 새 항목에 기존 사용자들에 의해 등급을 예측, 기존 항목 (항목 트레이닝 세트에 존재)에 기존 사용자 (사용자가 학습 집합에 존재)에 대한 등급을 예측 (트레이닝 세트에 존재하지 않는 항목) 기존 항목에 새 사용자에 의해 등급을 예측하고, 새로운 아이템에 새로운 사용자가 등급을 예측하고있다. 우리는 OOP, ONP, NOP, 및 NNP과 같은 네 가지 사례를 생략. 전술 한 바와 같이, MF는 LDA 필터링 및 CF는 이러한 모든 경우를 처리 할 수​​ 없다. 우리는 다음과 같이 변형은 : ONP 들어, MF는 상품을 랜덤 팩터 및 사용자 인자와 유사 항목에서 평가 인자를 생성한다; LDA 필터링은 새 항목에 대한 주제 분포를 추론하고, 평소와 같이 등급을 생성합니다. NOP를 들어, MF는 사용자 계수를 랜덤 화하고, 의사는 사용자 인자 및 인자 항목에서 평가를 생성한다; LDA-필터링은 새로운 사용자에 대한 주제 분포를 무작위로하고, 의사 사용자 주제와 항목을 주제로 등급을 생성합니다. NNP를 들어, MF 및 LDA 필터링은 임의의 추측을 제공합니다. CF는 ONP, NOP 및 NNP의 평균 등급을 사용합니다. 콜드 스타트​​ 문제와 모든 평가 예측에있는 4 개의 알고리즘의 RMSE 성능은 우리가 그 전제는 항목을 기존 사용자 선호도 예측을 기존의 MF와 비교할 관찰 할 수있다 (그림 3),하지만 차가운 예측 MF와 LDA 필터링의 성능을 능가하고 있습니다 새 사용자 및 새 항목을 포함하여 문제를 시작합니다.

결과 (한국어) 3:

우리 이제 봐, 어떻게 일을 다른 전략을 더욱 춥다. 시작 문제우리는 모두 dataset1 계산 대한 예측 네 예: 현재 사용자 (사용자 등급 설정 존재 훈련) 에 기존 항목에 훈련 예측 존재하는 설정), 현재 사용자 등급 새 항목 없는 것으로 훈련 새로운 사용자 등급), 기존 항목에새 사용자 예측 시청률 신제품.우리는 그 이 네 예 사용 (대상,,,, 대조.위에서 서술한 바와 같이, mf, 찬 필터, cf 안 이 모든 사건을 처리할 수 있다.우리 수정 다음과 같습니다: 헌 신문, mf 무작위 항목 생성 평가 요소, 사용자 요소, 가짜 요인;필터 추리 레이저 주제 새로운 프로젝트 설정 및 생성 시청률 평소와 같다.예를 없다, mf 무작위 사용자 요소, 가짜 사용자 요소 생기는 평가 및 요인; 레이저 무작위 테마 분포 필터 생성 새 사용자 등급, 가짜 사용자 테마 항목 것이다.예를 대조, mf, 연대 무작위로 필터 좀 알 수 있다.cf 사용 사용 (평균 시청률,, 대조.이 네 행동은 알고리즘 모두 춥다 시작 문제를 평가 예측 모든 그림 3.우리 관찰할 수 전제 같은 기존 항목에 - 현재 사용자 등급 예측, 근데 선형 예측 mf, 더 필터 시동 문제 등 새로운 항목의 새로운 사용자.