We have presented a new learning pr

We have presented a new learning problem tailored to learning
from clustering feedback called collaborative clustering, which can
be viewed as a clustering analogue to collaborative filtering. We
proposed a latent factor model to learn the space of clustering variability
within a user population. We conducted empirical evaluations
based on usage data collected from a clustering interface developed
for a sensemaking task of exploring and organizing attractions in
Paris. Our results show that our approach significantly outperforms
conventional feature-based approaches on several realistic use cases.
In a sense, our approach for collaborative clustering is the simplest
one that inherits the benefits of both tensor factorization as
well as metric learning. It may be interesting to incorporate other
advancements in collaborative filtering, such as localized latent
embeddings, implicit feedback, and temporal dynamics [16, 15].
Another limitation of our approach is the inability to boost performance
by using a joint model of both latent and observed features.
Having a feature-based model is important for tackling the so-called
cold-start problem for brand-new items with no feedback. This limitation
may be due to the relatively simple linear content-based model
we employed. For instance, recent work in collaborative filtering
has demonstrated the ability to achieve the “best of both worlds” by
effectively combining a latent factor model with a content-based
(non-linear) topic model [30], and a similar approach may be fruitful
for collaborative clustering. It may also be that user features are
more useful than item features since training data per user is low.
Although we developed and validated our LCC approach for
learning personalized clustering models, we did not formally model
the full interactive setting where the system adaptively adjusts its
recommendations based on user feedback. This full interactive setting
can be considered as a type of interactive clustering problem.
The most relevant related work on interactive clustering are [5, 9],
although neither addressed how to model the end-to-end interaction
sequence.12 Other work such as [3] does provide guarantees for the
interactive setting, but assumes a very different (and less realistic)
interaction model where users must provide feedback on full clusterings
of all items. Other adaptive clustering work include learning
a single similarity function via crowdsourcing [28].
The broader goal is to design personalization frameworks that
learn from multiple types of rich interactions (e.g., dynamic rankings
[8] and zoomable metro maps [25]), as well as reason about (and
optimize for) long-term user utility over entire interactive sessions.
Progress towards this goal will require a confluence of progress in in-

ผลลัพธ์ (ไทย) 1:

เราได้นำเสนอปัญหาการเรียนรู้ใหม่เพื่อการเรียนรู้จากคลัสเตอร์เรียกว่าคลัสเตอร์ร่วมกันติชม ซึ่งสามารถดูเป็นอนาล็อกเป็นระบบคลัสเตอร์เพื่อกรองข้อมูลร่วมกัน เราเสนอแบบจำลองปัจจัยแฝงอยู่ในการเรียนรู้พื้นที่ความแปรผันระบบคลัสเตอร์ภายในประชากรผู้ใช้ เราดำเนินการประเมินผลตามการใช้งานข้อมูลที่รวบรวมจากอินเตอร์เฟซระบบคลัสเตอร์พัฒนาสำหรับงานสำรวจ และจัดระเบียบใน sensemakingปารีส ผลของเราแสดงว่า วิธีการของเรามาก outperformsวิธีใช้คุณลักษณะทั่วไปหลายจริงใช้กรณีในความรู้สึก วิธีการของเราสำหรับคลัสเตอร์ร่วมกันได้ง่ายที่สุดที่สืบทอดผลประโยชน์ของทั้งสอง tensor การแยกตัวประกอบเป็นรวมทั้งการเรียนรู้ที่วัด มันอาจจะน่าสนใจรวมกันก้าวหน้าในความร่วมมือกรอง เช่นภาษาท้องถิ่นแฝงอยู่embeddings ผลป้อนกลับนัย ก dynamics ขมับ [16, 15]ข้อจำกัดอีกวิธีของเราคือ ไม่สามารถเพิ่มประสิทธิภาพโดยใช้รูปแบบร่วมของแฝงอยู่ และสังเกตมีรูปแบบตามลักษณะการทำงานเป็นสิ่งสำคัญสำหรับการแก้ปัญหาเรียกว่าปัญหาเริ่มเย็นสำหรับสินค้าแบรนด์ใหม่กับผลป้อนกลับ ข้อจำกัดนี้อาจเป็น เพราะค่อนข้างง่ายเชิงเนื้อหาตามรูปแบบเราทำงาน ตัวอย่าง ล่าสุดงานกรองร่วมกันได้สาธิตความสามารถในการบรรลุ "ดีที่สุดของทั้งสองโลก" โดยรวมแบบจำลองปัจจัยที่แฝงอยู่กับเนื้อหาโดยใช้อย่างมีประสิทธิภาพรูปแบบหัวข้อ (ไม่ใช่เชิงเส้น) [30], และวิธีการคล้ายกันอาจประสบสำหรับคลัสเตอร์ร่วมกัน มันอาจจะที่มีลักษณะการทำงานของผู้ใช้กว่าคุณลักษณะสินค้าเนื่องจากข้อมูลการฝึกอบรมต่อผู้ใช้ประโยชน์ได้ต่ำถึงแม้ว่าเราพัฒนา และตรวจสอบวิธีการของเรา LCC สำหรับเรียนรู้ส่วนบุคคลรูปแบบระบบคลัสเตอร์ เราไม่ได้ไม่อย่างเป็นกิจจะลักษณะรุ่นการตั้งค่าแบบโต้ตอบทั้งหมดที่ระบบอย่างเหมาะปรับปรุงเป็นคำแนะนำในการยึดตามคำติชมของผู้ใช้ การตั้งค่าแบบโต้ตอบทั้งนี้ถือได้ว่าเป็นชนิดของปัญหาระบบคลัสเตอร์แบบโต้ตอบงานที่เกี่ยวข้องมากที่สุดบนเป็นระบบคลัสเตอร์แบบโต้ตอบ [5, 9],ถึงแม้ว่าไม่ระบุวิธีการรูปแบบการโต้ตอบสุดท้ายsequence.12 งานอื่น ๆ เช่น [3] ให้การค้ำประกันสำหรับการการตั้งค่าแบบโต้ตอบ แต่สันนิษฐานแตกต่างกันมาก (และเป็นที่ไม่จริง)แบบโต้ตอบที่ผู้ใช้ต้องให้ผลป้อนกลับใน clusterings เต็มสินค้าทั้งหมด งานอื่น ๆ ระบบคลัสเตอร์ที่เหมาะสมรวมถึงการเรียนรู้ฟังก์ชั่นคล้ายเดียวผ่าน crowdsourcing [28]เป้าหมายกว้างขึ้นคือการ ตั้งกรอบการออกแบบที่เรียนรู้จากหลายชนิดของการโต้ตอบที่อุดมไปด้วย (เช่น แบบจัดอันดับ[8] และ [25] แผนที่รถไฟใต้ดิน zoomable), เช่นเป็นเหตุผลเกี่ยวกับ (และปรับให้เหมาะสม) ผู้ใช้โปรแกรมอรรถประโยชน์ระยะยาวมากกว่ารอบเวลาการโต้ตอบทั้งหมดความคืบหน้าของเป้าหมายนี้จะต้องมีความคืบหน้าในในไหลบรรจบกัน

ผลลัพธ์ (ไทย) 2:

เราได้นำเสนอปัญหาการเรียนรู้ใหม่ที่เหมาะกับการเรียนรู้
จากความคิดเห็นของการจัดกลุ่มที่เรียกว่าการจัดกลุ่มการทำงานร่วมกันซึ่งสามารถ
ถูกมองว่าเป็นอะนาล็อกการจัดกลุ่มการกรองการทำงานร่วมกัน เรา
นำเสนอรูปแบบปัจจัยแฝงที่จะเรียนรู้พื้นที่ของความแปรปรวนของการจัดกลุ่ม
ประชากรผู้ใช้ เราดำเนินการประเมินผลการทดลอง
บนพื้นฐานของข้อมูลที่เก็บรวบรวมจากการใช้อินเตอร์เฟซการจัดกลุ่มการพัฒนา
สำหรับงาน
ปารีส ผลของเราแสดงให้เห็นว่าวิธีการของเรามีประสิทธิภาพดีกว่าอย่างมีนัยสำคัญ
วิธีการคุณสมบัติตามธรรมดาในหลายกรณีการใช้งานจริง
ในความเป็นวิธีการของเราสำหรับการจัดกลุ่มการทำงานร่วมกันเป็นที่ง่าย
อย่างใดอย่างหนึ่งที่สืบทอดประโยชน์ของตัวประกอบเมตริกซ์ทั้งในฐานะ
เดียวกับการเรียนรู้ตัวชี้วัด มันอาจจะเป็นที่น่าสนใจอื่น ๆ ที่จะรวม
ความก้าวหน้าในการทำงานร่วมกันกรองเช่นภาษาท้องถิ่นที่แฝง
embeddings
ข้อ จำกัด ของวิธีการของเราก็คือไม่สามารถที่จะเพิ่มประสิทธิภาพการทำงาน
โดยใช้รูปแบบการร่วมกันของทั้งสองและแฝง คุณสมบัติสังเกต
มีรูปแบบคุณสมบัติตามเป็นสิ่งสำคัญสำหรับการแก้ปัญหาที่เรียกว่า
ปัญหาเย็นเริ่มต้นสำหรับรายการใหม่ที่มีความคิดเห็นไม่ ข้อ จำกัด นี้
อาจจะเป็นเพราะเนื้อหาตามเชิงเส้นที่ค่อนข้างง่ายรูปแบบ
การจ้างงานเรา ยกตัวอย่างเช่นการทำงานที่ผ่านมาในการกรองการทำงานร่วมกัน
ได้แสดงให้เห็นความสามารถในการประสบความสำเร็จ" ที่ดีที่สุดของโลกทั้ง" โดย
รวมได้อย่างมีประสิทธิภาพรูปแบบปัจจัยแฝงที่มีเนื้อหาตาม
(
สำหรับการทำงานร่วมกันเป็นกลุ่มก้อน นอกจากนี้ยังอาจเป็นไปได้ว่ามีคุณสมบัติที่ใช้
ประโยชน์มากขึ้นกว่าคุณสมบัติรายการเนื่องจากข้อมูลการฝึกอบรมต่อผู้ใช้อยู่ในระดับต่ำ
แม้ว่าเราจะพัฒนาและตรวจสอบวิธีการ
การเรียนรู้รูปแบบการจัดกลุ่มส่วนบุคคลที่เราไม่เป็นทางการแบบ
การตั้งค่าแบบโต้ตอบเต็มรูปแบบที่ปรับเปลี่ยนระบบการปรับของ
คำแนะนำตามความคิดเห็นของผู้ใช้ การตั้งค่าแบบโต้ตอบเต็ม
ถือได้ว่าเป็นประเภทของปัญหาการจัดกลุ่มการโต้ตอบ
ที่เกี่ยวข้องกับงานที่เกี่ยวข้องมากที่สุดในการจัดกลุ่มการโต้ตอบเป็น
แม้ว่าจะไม่ได้รับการแก้ไขวิธีการรูปแบบการทำงานร่วมกันแบบ
sequence.12
การตั้งค่าการโต้ตอบ แต่ถือว่าแตกต่างกันมาก
รูปแบบปฏิสัมพันธ์ที่ผู้ใช้จะต้องให้ความคิดเห็นเกี่ยวกับ
ของรายการทั้งหมด การทำงานการจัดกลุ่มการปรับตัวอื่น ๆ รวมถึงการเรียนรู้
การทำงานคล้ายคลึงกันเดียวผ่าน
เป้าหมายที่กว้างขึ้นคือการออกแบบกรอบส่วนบุคคลที่
ได้เรียนรู้จากหลายประเภทของการสื่อสารที่อุดมไปด้วย
[
เพิ่มประสิทธิภาพสำหรับ
ความคืบหน้าไปสู่เป้าหมายนี้จะต้องมีการบรรจบกันของความคืบหน้าในการทำา

ผลลัพธ์ (ไทย) 3:

เราได้นำเสนอปัญหาในการเรียนรู้ใหม่ที่เหมาะกับการเรียนรู้จากกลุ่มที่เรียกว่ากลุ่มร่วมกันติชม

ซึ่งสามารถถูกมองว่าเป็นการแบ่งกลุ่มเพื่อร่วมกันแบบกรอง เราเสนอปัจจัยแฝง
รูปแบบการเรียนรู้พื้นที่ของการจัดกลุ่มความแปรปรวน
ภายในกลุ่มผู้ใช้ . เราทำการประเมินผล
เชิงประจักษ์บนพื้นฐานของการใช้ข้อมูลที่รวบรวมจากข้อมูล interface พัฒนา
สำหรับ sensemaking งานสำรวจและจัดสถานที่ใน
ปารีส ผลของเราแสดงให้เห็นว่าวิธีการของเราอย่างมีนัยสำคัญมีประสิทธิภาพดีกว่า
ปกติในสารแนวทางในหลายมีเหตุผลใช้กรณี .
ในความรู้สึก วิธีการของเราสำหรับความร่วมมือในการจัดกลุ่มที่ง่าย
หนึ่งที่สืบทอดต่อกันเป็นประโยชน์ของทั้งสอง รวมทั้งการเรียนรู้
เมตริกซ์เมตริก มันอาจจะน่าสนใจที่จะรวมก้าวหน้าอื่น ๆในการกรอง
ร่วมกัน เช่น ถิ่นแฝงนัย embeddings
, ความคิดเห็นและการเปลี่ยนแปลงชั่วคราว [ 16 , 15 ] .
อีกข้อจำกัดของวิธีการของเราคือการเพิ่มประสิทธิภาพ
โดยใช้แบบจำลองร่วมกันของทั้งคุณสมบัติและแฝง
)มีรูปแบบเป็นประธานในสารสำคัญที่เรียกว่า
ปัญหาเริ่มเย็นสำหรับรายการใหม่ที่ไม่มีความคิดเห็น ข้อ จำกัด นี้
อาจจะเกิดจากรูปแบบเนื้อหาเชิงเส้นค่อนข้างง่าย
เราจ้าง ตัวอย่าง ผลงานล่าสุดในการกรองร่วมกัน
ได้แสดงความสามารถในการบรรลุ " ดีที่สุดของทั้งสอง worlds
" โดยได้อย่างมีประสิทธิภาพรวมปัจจัยแฝงแบบที่มีเนื้อหา
( ไม่เชิง ) [ 30 ] หัวข้อ รูปแบบและวิธีการที่คล้ายคลึงกันอาจเกิดผล
สำหรับความร่วมมือในการจัดกลุ่ม . มันอาจเป็นคุณลักษณะที่ผู้ใช้
มีประโยชน์มากกว่ารายละเอียด ตั้งแต่การฝึกข้อมูลต่อผู้ใช้น้อย
ถึงแม้ว่าเราพัฒนาและตรวจสอบวิธีการ LCC ของเรา
การเรียนรู้ส่วนบุคคลสำหรับรุ่นเราไม่ได้เป็นนางแบบ
การตั้งค่าแบบเต็มแล้วระบบการปรับตัวปรับคำแนะนำของ
ตามความคิดเห็นของผู้ใช้ นี้เต็มโต้ตอบการตั้งค่า
ถือได้ว่าเป็นประเภทของข้อมูลแบบโต้ตอบปัญหา
งานส่วนใหญ่ที่เกี่ยวข้องในการจัดกลุ่มแบบโต้ตอบเป็น [ 5 , 9 ] ,
แต่ไม่ระบุว่าเป็นแบบปฏิสัมพันธ์
; ลำดับ12 . งานอื่น ๆเช่น [ 3 ] จะให้ประกันสำหรับ
การโต้ตอบ แต่ถือว่าแตกต่างกันมาก ( และมีเหตุผลน้อยกว่า )
ปฏิสัมพันธ์แบบที่ผู้ใช้จะต้องให้ข้อเสนอแนะที่เต็ม clusterings
ของรายการทั้งหมด อื่น ๆสามารถทำงานได้รวมฟังก์ชั่นการเรียนรู้
ความเหมือนเดียวผ่าน crowdsourcing [ 28 ] .
ถูกเป้าหมายคือการออกแบบส่วนบุคคล
กรอบว่าเรียนรู้จากหลายประเภทของการโต้ตอบที่อุดมไปด้วย ( เช่น แบบไดนามิก การจัดอันดับ
[ 8 ] และ zoomable แผนที่รถไฟใต้ดิน [ 25 ] ) เช่นเดียวกับเหตุผลเกี่ยวกับ ( และเพิ่มประสิทธิภาพสำหรับผู้ใช้ยูทิลิตี้
) ระยะยาวกว่าทั้งอินเตอร์เซสชัน .
ความคืบหน้าไปสู่เป้าหมายนี้จะต้องบรรจบของความคืบหน้าใน