Abstract—Recommender systems help W

Abstract—Recommender systems help Web users to address
information overload. Their performance, however, depends on
the amount of information that users provide about their preferences.
Users are not willing to provide information for a large
amount of items, thus the quality of recommendations is affected
specially for new users. Active learning has been proposed in the
past, to acquire preference information from users. Based on
an underlying prediction model, these approaches determine the
most informative item for querying the new user to provide a
rating. In this paper, we propose a new active learning method
which is developed specially based on aspect model features.
There is a difference between classic active learning and active
learning for recommender system.

ผลลัพธ์ (ไทย) 1:

นามธรรมซึ่งผู้แนะนำระบบช่วยผู้ใช้เว็บอยู่โอเวอร์โหลดข้อมูล ประสิทธิภาพของพวกเขา แต่ ขึ้นอยู่กับจำนวนข้อมูลที่ให้ผู้ใช้เกี่ยวกับลักษณะของพวกเขาผู้ใช้ไม่ได้ยินดีให้ข้อมูลสำหรับขนาดใหญ่ยอดเงินของสินค้า คุณภาพของคำแนะนำจึงได้รับผลกระทบพิเศษสำหรับผู้ใช้ใหม่ เรียนรู้งานได้รับการเสนอชื่อในการอดีต การได้รับข้อมูลการตั้งค่าจากผู้ใช้ ขึ้นอยู่กับกำหนดแนวทางเหล่านี้แบบจำลองทำนายพื้นฐาน การรายการข้อมูลมากที่สุดสำหรับการสอบถามผู้ใช้ใหม่เพื่อให้การการจัดอันดับ ในเอกสารนี้ เราเสนอวิธีการเรียนรู้งานใหม่ซึ่งถูกพัฒนาเป็นพิเศษตามคุณสมบัติด้านรูปแบบมีความแตกต่างระหว่างการเรียนรู้งานคลาสสิกและใช้งานการเรียนรู้สำหรับผู้แนะนำระบบ

ผลลัพธ์ (ไทย) 2:

ระบบบทคัดย่อ-Recommender
ช่วยให้ผู้ใช้เว็บเพื่อแก้ไขข้อมูลเกิน ผลการดำเนินงานของพวกเขา
แต่ขึ้นอยู่กับปริมาณของข้อมูลที่ผู้ใช้ให้เกี่ยวกับค่าของพวกเขา. ผู้ใช้บริการจะไม่ยินดีที่จะให้ข้อมูลที่มีขนาดใหญ่ปริมาณของรายการจึงมีคุณภาพของคำแนะนำได้รับผลกระทบเป็นพิเศษสำหรับผู้ใช้ใหม่ การเรียนรู้ที่ใช้งานได้รับการเสนอในที่ผ่านมาจะได้รับการตั้งค่าข้อมูลจากผู้ใช้ ขึ้นอยู่กับรูปแบบการทำนายพื้นฐานวิธีการเหล่านี้ตรวจสอบรายการข้อมูลมากที่สุดสำหรับการสอบถามผู้ใช้ใหม่เพื่อให้คะแนน ในบทความนี้เราเสนอวิธีการเรียนรู้การใช้งานใหม่ซึ่งมีการพัฒนาขึ้นเป็นพิเศษเกี่ยวกับคุณสมบัติด้านรูปแบบ. มีความแตกต่างระหว่างการเรียนรู้การใช้งานคลาสสิกและการใช้งานคือการเรียนรู้สำหรับระบบ recommender

ผลลัพธ์ (ไทย) 3:

แนะนำระบบนามธรรมช่วยให้ผู้ใช้เว็บที่อยู่
ข้อมูลเกินพิกัด ประสิทธิภาพของพวกเขา อย่างไรก็ตาม ขึ้นอยู่กับ
ปริมาณของข้อมูลที่ผู้ใช้ให้กับการตั้งค่าของพวกเขา .
ผู้ใช้ไม่ได้เต็มใจที่จะให้ข้อมูลเป็นจำนวนมาก
รายการ ดังนั้นคุณภาพของข้อเสนอผลกระทบ
เป็นพิเศษสำหรับผู้ใช้ใหม่ การเรียนรู้ที่ใช้งานได้รับการเสนอใน
อดีตได้รับข้อมูลการตั้งค่าจากผู้ใช้ บนพื้นฐานของแบบจำลองการทำนาย
เป็นต้น แนวทางเหล่านี้ตรวจสอบรายการข้อมูลมากที่สุด สำหรับข้อมูล

ผู้ใช้ใหม่เพื่อให้คะแนน ในกระดาษนี้เราเสนอใหม่ใช้วิธีเรียน
ซึ่งพัฒนาพิเศษตามลักษณะ แบบด้าน
มีความแตกต่างระหว่างการเรียนรู้และปราดเปรียว
งานคลาสสิกการเรียนรู้ระบบการแนะนำ .