Prior studies on group recommendati

Prior studies on group recommendation systems usually explore heuristics to apply some interesting strategies in recommendations, for example, PloyLens [17] adopts least misery (i.e., the least satisfied user's preference) as the main strategy for its group recommendations. Aiming to better understand the latent factors behind group activities, in our study, we propose a probabilistic model to capture both of a user's own preference and her influence (termed as personal impact) to a group.

결과 (한국어) 1:

그룹 추천 시스템에 대 한 사전 연구 일반적으로 권장 사항에서 몇 가지 흥미로운 전략을 적용 하는 추론을 탐구, 예를 들어 PloyLens [17] 그것의 그룹 권장 사항에 대 한 주요 전략으로 최소한 불행 (즉, 최소한 만족된 사용자의 기본 설정)를 채택 한다. 우리 모두 사용자가 자신의 기본 설정 및 그룹 (개인 영향 되 나) 그녀의 영향력을 잡으려고 확률 모델을 제안 그룹 활동, 우리의 연구에서 뒤에 숨어있는 요인 이해를 목표로 합니다.

결과 (한국어) 2:

그룹 추천 시스템에 대한 이전 연구는 일반적으로 예를 들어, 권장 사항에서 몇 가지 흥미로운 전략을 적용하는 추론을 탐구, PloyLens [17] 그 그룹의 권고 사항에 대한 주요 전략으로 적어도 고통 (즉, 적어도 만족 사용자의 기호)를 채택한다. 더 그룹 활동 뒤에 잠재 요인을 이해하는 것을 목표로, 우리의 연구에서, 우리는 사용자가 자신의 취향 및 그룹 (개인 충격 되나) 그녀의 영향 모두를 캡처하는 확률 모델을 제안한다.

결과 (한국어) 3:

연구 건의를 시스템 그룹 전에 자주 검토 좀 재미있는 전략 계발식 할 것을, 예를 들면, ploylens [17] 위한 최소 고난 (예: 제일 마음에 사용자의 선호) 등 주요 전략 건의를 그 그룹.잠재 요소 대해 더 잘 뒤에 우리 연구 단체 활동우리는 모두 확률이 모델 포착 사용자 자신의 선호, 자신의 영향력을 ('한 무리의 사람이 충격).