As for the calculation of user similarity, the thesis primarily define的简体中文翻译

As for the calculation of user simi

As for the calculation of user similarity, the thesis primarily defines a two-dimensional matrix top20booknums[users.Count,20] with users.Count rows and 20 columns to store 20 users with maximum similarity. The similarity is progressively sorted from high to low. Meanwhile, a two-dimensional matrix top20cardnums[users.Count,20] is defined to store user information in the two-dimensional matrix top20booknums. Next task is to successively find most similar 20 neighbors for each user. User similarity is measured by the number of similar borrowed books. Since above processes have filled in reader borrowing records in the two-dimensional borrowing matrix wherein 1 means ‘‘having borrowing records’ and o means ‘‘no borrowing records’’, this section will calculate user I and user ’s similarity with formula (2). As shown in the following Fig. 4, if the thesis plans to calculate the similarity between reader 1 and 2, then we could regard reader 1’s grade vector as u1 = (1,0,0,1,1) and reader 2’s grade vector as u2 = (1,1,1,1,1). The similarity between reader 1 and 2 could be calculated pursuant to above formula. By that analogy, the thesis could finally obtain the most similar 20 neighbors of every user.
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
关于用户相似度的计算,本文主要定义了一个具有用户的二维矩阵top20booknums [users.Count,20]。计算行数和20列以存储20个最大相似度的用户。相似度从高到低逐渐排序。同时,定义了二维矩阵top20cardnums [users.Count,20],用于将用户信息存储在二维矩阵top20booknums中。接下来的任务是为每个用户依次找到最相似的20个邻居。用户相似度是通过相似借阅书籍的数量来衡量的。由于上述过程已在二维借阅矩阵中填写了读者借阅记录,其中1表示“有借阅记录”,o表示“无借阅记录”,因此本节将计算用户I和用户与公式的相似度( 2)。如下图4所示 如果论文打算计算阅读器1和2之间的相似度,那么我们可以将阅读器1的等级向量视为u1 =(1,0,0,1,1),将阅读器2的等级向量视为u2 =(1,1,1 ,1,1)。阅读器1和2之间的相似度可以根据上式计算。通过这种类推,论文最终可以得出每个用户最相似的20个邻居。
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
关于用户相似性的计算,本诗集主要定义了二维矩阵top20booknums[用户。计数,20] 与用户。计算行和 20 列以存储具有最大相似性的 20 个用户。相似性从高到低逐步排序。同时,二维矩阵前20卡nums[用户。Count,20] 被定义用于将用户信息存储在二维矩阵 top20booknums 中。下一个任务是连续为每个用户查找最相似的 20 个邻居。用户相似性以类似借阅书籍的数量来衡量。由于上述流程在二维借款矩阵中填写了读者借款记录,其中 1 表示"有借款记录",o 表示"无借款记录",因此本节将计算用户 I 和用户与公式 (2) 的相似性。如下图4所示,如果该理论计划计算读者1和2之间的相似性,那么我们可以将读者1的等级向量视为u1=(1,0,0,1,1),读者2的等级向量为u2=(1,1,1,1,1)。读取器 1 和 2 之间的相似性可以根据上述公式计算。通过这个类比,该类书最终可以获得每个用户最相似的20个邻居。
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
对于用户相似度的计算,本文主要定义了一个二维矩阵top20booknums[users.Count,20]和users.Count,对行和列进行计数,存储20个相似度最大的用户。相似性是从高到低逐步排序的。同时,定义了二维top20cardnums[users.Count,20]矩阵,将用户信息存储在二维top20booknums矩阵中。下一个任务是为每个用户连续找到最相似的20个邻居。用户相似度是通过相似借阅图书的数量来衡量的。由于上述过程已在二维借用矩阵中填写了读取器借用记录,其中1表示“有借用记录”,o表示“无借用记录”,因此本节将计算用户I和用户与公式(2)的相似性。如下图4所示,如果本文打算计算读取器1和读取器2之间的相似度,则可以将读取器1的等级向量视为u1=(1,0,0,1,1),将读取器2的等级向量视为u2=(1,1,1,1,1)。读取器1和读取器2之间的相似度可根据上述公式计算。通过这个类比,论文最终可以得到每个用户最相似的20个邻居。
正在翻译中..
 
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.

Copyright ©2024 I Love Translation. All reserved.

E-mail: