In order to build the profile of the

In order to build the profile of the active user ua, the training set T Ra for ua must
be defined. T Ra is a set of pairs ⟨Ik, rk⟩, where rk is the rating provided by ua on the
item representation Ik. Given a set of item representation labeled with ratings, the
PROFILE LEARNER applies supervised learning algorithms to generate a predictive
model – the user profile – which is usually stored in a profile repository for later
use by the FILTERING COMPONENT. Given a new item representation, the FILTERING COMPONENT predicts whether it is likely to be of interest for the active
user, by comparing features in the item representation to those in the representation
of user preferences (stored in the user profile). Usually, the FILTERING COMPO-
NENT implements some strategies to rank potentially interesting items according
to the relevance with respect to the user profile. Top-ranked items are included in
a list of recommendations La, that is presented to ua. User tastes usually change in
time, therefore up-to-date information must be maintained and provided to the PRO-
FILE LEARNER in order to automatically update the user profile. Further feedback
is gathered on generated recommendations by letting users state their satisfaction or
dissatisfaction with items in La. After gathering that feedback, the learning process
is performed again on the new training set, and the resulting profile is adapted to the updated user interests. The iteration of the feedback-learning cycle over time allows
the system to take into account the dynamic nature of user preferences.

ผลลัพธ์ (ไทย) 1:

เพื่อสร้าง profile ของ ua ผู้ใช้งาน การฝึกอบรมตั้งหรา T สำหรับ ua ต้องdefined ได้ หรา T คือ ชุดของคู่ ⟨Ik, rk⟩ ที่ rk เป็นอันดับโดย ua ในการแสดงสินค้า Ik กำหนดชุดของป้ายชื่อที่ มีการจัดอันดับ แสดงสินค้าส่วนกำหนดค่าผู้เรียนใช้กระบวนการเรียนรู้ที่มีเพื่อสร้างการคาดการณ์รูปแบบ – profile ผู้ใช้ – ซึ่งมักจะเก็บอยู่ในคลัง profile สำหรับภายหลังใช้คอมโพเนนต์กรอง กำหนดให้แสดงสินค้าใหม่ ส่วนประกอบกรองทำนายว่า เป็นแนวโน้มที่จะเป็นประโยชน์สำหรับการใช้งานผู้ใช้ โดยการเปรียบเทียบคุณลักษณะในตัวสินค้าไปในตัวของการกำหนดลักษณะผู้ใช้ (เก็บไว้ใน profile ผู้ใช้) มักจะ กรอง COMPO-NENT ใช้กลยุทธ์บางอย่างไปอาจน่าสนใจสินค้าตามลำดับการเกี่ยวข้องกับ profile ผู้ใช้ อันดับสินค้าจะรวมอยู่ในรายการแนะนำ La ที่นำเสนอกับ ua ผู้ใช้มักจะเปลี่ยนรสชาติในข้อมูลเวลา ทันสมัยดังนั้นจึงต้องรักษาไว้ และเสนอให้ PRO-ผู้เรียนแฟ้มการปรับปรุง profile ผู้ใช้โดยอัตโนมัติ ข้อเสนอแนะเพิ่มเติมรวบรวมมาในคำแนะนำสร้าง โดยให้ผู้ใช้ระบุความพึงพอใจ หรือความไม่พอใจกับสินค้าใน La. หลังจากรวบรวมคำติชมที่ กระบวนการเรียนรู้ดำเนินการอีกครั้งในใหม่ฝึกตั้ง และ profile ได้ดัดแปลงเพื่อผลประโยชน์ของผู้ใช้ที่ปรับปรุง ช่วยให้การเกิดซ้ำของวงจรการเรียนรู้ความคิดเห็นเวลาระบบจะคำนึงถึงลักษณะของการกำหนดลักษณะผู้ใช้แบบไดนามิก

ผลลัพธ์ (ไทย) 2:

เพื่อที่จะสร้างโปรไฟ le ของผู้ใช้ที่ใช้งาน ua, การฝึกอบรมที่กำหนด T Ra สำหรับ UA ต้อง
เป็นนิยาม T Ra คือชุดของคู่⟨Ik, rk⟩ที่ RK เป็นคะแนนที่มีให้โดย UA ใน
การแสดงรายการ Ik รับชุดของการแสดงรายการที่มีข้อความที่มีการประเมินการ
เรียนรู้ประวัติใช้ขั้นตอนวิธีการเรียนรู้ภายใต้การดูแลในการสร้างการทำนาย
รูปแบบ - ใช้โปรไฟ le - ซึ่งมักจะถูกเก็บไว้ในที่เก็บโปรไฟเลอภายหลัง
การใช้งานโดย COMPONENT กรอง ได้รับการแสดงรายการใหม่ COMPONENT กรองคาดการณ์ว่าจะมีแนวโน้มที่จะเป็นที่น่าสนใจสำหรับการใช้งาน
ของผู้ใช้โดยการเปรียบเทียบคุณสมบัติในการเป็นตัวแทนรายการไปยังผู้ที่อยู่ในการเป็นตัวแทน
ของการตั้งค่าของผู้ใช้ (เก็บไว้ในการใช้งานโปรไฟ le) โดยปกติแล้วการกรองส่วนประกอบ
NENT ดำเนินกลยุทธ์บางอย่างในการจัดอันดับรายการที่น่าสนใจที่อาจเกิดขึ้นตาม
ความเกี่ยวข้องเกี่ยวกับการใช้โปรไฟ le รายการที่ติดอันดับจะรวมอยู่ใน
รายชื่อของคำแนะนำ La ที่จะนำเสนอให้ UA รสนิยมของผู้ใช้มักจะมีการเปลี่ยนแปลงใน
เวลาจึง up-to-date ข้อมูลจะต้องดูแลและให้กับโปร
FILE เรียนเพื่อที่จะปรับปรุงโดยอัตโนมัติใช้โปรไฟ le ข้อเสนอแนะเพิ่มเติม
ที่รวบรวมคำแนะนำที่สร้างขึ้นโดยให้ผู้ใช้ระบุความพึงพอใจของพวกเขาหรือ
ไม่พอใจกับรายการใน La. หลังจากรวบรวมข้อเสนอแนะว่ากระบวนการเรียนรู้
ที่จะดำเนินการอีกครั้งในการฝึกอบรมชุดใหม่และส่งผลให้โปรไฟ le จะปรับให้เข้ากับความสนใจของผู้ใช้ที่ปรับปรุง ซ้ำของวงจรการตอบรับการเรียนรู้ในช่วงเวลาที่ช่วยให้
ระบบที่จะคำนึงถึงลักษณะของการตั้งค่าของผู้ใช้

ผลลัพธ์ (ไทย) 3:

เพื่อที่จะสร้างโปรจึงเลอของมากผู้ใช้ที่ใช้งาน , ชุดฝึก ไม่รา มากต้อง
เป็น de จึงเน็ด ทีรา ชุดคู่⟨อิค RK ⟩ที่ RK เป็นคะแนนโดยมากบน
รายการแทนอิค ได้รับชุดของรายการแทนป้าย ด้วยคะแนน
โปรไฟล์ใช้อัลกอริทึมการเรียนรู้แบบผู้เรียนเพื่อสร้างการคาดการณ์
รูปแบบสำหรับผู้ใช้ Pro จึงเลอ – ซึ่งโดยปกติจะถูกเก็บไว้ในพื้นที่เก็บข้อมูลสำหรับใช้งานในภายหลัง Pro จึงเลอ
โดยกรององค์ประกอบ ให้แสดงรายการใหม่กรององค์ประกอบคาดการณ์ว่ามีแนวโน้มที่จะเป็นประโยชน์สำหรับผู้ใช้ที่ใช้งาน
โดยเปรียบเทียบคุณสมบัติในข้อเสนอในการเป็นตัวแทน
ของความชอบของผู้ใช้ ( เก็บไว้ในผู้ใช้ Pro จึงเลอ ) โดยปกติกรองคอมโป -
ถาวร ใช้กลยุทธ์บางอย่างที่จะอันดับรายการที่น่าสนใจที่อาจตามความเกี่ยวข้องกับ
เพื่อเคารพต่อผู้ใช้จึงเลอ . อันดับรายการจะรวมอยู่ในรายการของข้อเสนอแนะ
la , ที่แสดงให้มาก . รสนิยมผู้ใช้มักจะเปลี่ยน
เวลาจึงต้องเก็บรักษาข้อมูลที่ทันสมัยให้กับโปร -
และโดยไฟล์เพื่อปรับปรุงโดยอัตโนมัติผู้ใช้ Pro จึงเลอ .
ติชมเพิ่มเติมได้รวมตัวกันในการสร้างข้อเสนอ โดยให้ผู้ใช้สภาพความพึงพอใจหรือ
ความไม่พอใจกับรายการในลาของเขา หลังจากการชุมนุมที่ติชม กระบวนการเรียนรู้
จะดําเนินการอีกครั้งในชุดฝึกใหม่ และผลของโปรจึงเล ถูกดัดแปลงให้ปรับปรุงผู้ใช้สนใจทำซ้ำของแบบวัฏจักรการเรียนรู้ตลอดเวลาช่วยให้
ระบบคำนึงถึงลักษณะแบบไดนามิกของความชอบของผู้ใช้ .