a good proxy for measuring performa

a good proxy for measuring performance, since it faithfully
represents the core functionality of the evaluated system.
7.1.3 Retrieval Methods
In this paper we presented two possible ways of integrating
topic retrieval into the related video suggestion system.
First, in Section 3 we discussed a retrieval algorithm that
assigns weights to topics using co-occurence based heuristics.
Second, in Section 4 we presented a novel algorithm
for directly learning weights on topic transitions.
We evaluate both of these methods by integrating them
into the general related video suggestion system architecture
as described in Figure 4. First, the highest ranked results
produced by one of the two proposed retrieval methods are
introduced into the reranking model. Then we measure the
changes in the overall system performance, using either a
simulation experiment (Section 7.2) or an experiment using
live traffic (Sectrion 7.3).
In the next sections, we refer to the retrieval algorithm
presented in Section 3 as IRTopics, since it makes use of
information retrieval heuristics. We refer to the retrieval
algorithm from Section 4 as TransTopics, since it is based
on learning transitions between the topics.
7.2 User Simulation
In this section we describe a user simulation method for
estimating the performance of our retrieval methods. We exploit
the reranking model described in Section 5 to simulate
user interaction with the system.
Since the reranking model is trained to optimize the system
performance (in terms of click-through rate and watch
time) on live traffic, we use it to simulate a behavior of a typical
user in the system. Then we measure how many of the
results returned by the topic retrieval method will be added
by the simulated user to the top related results, compared
to a system that only uses co-view retrieval. By system design,
if no results from the topic retrieval are selected by
the simulated user, there is no benefit from performing this
retrieval, since none of the results will be shown to the real
users.
There are two things we are interested in measuring. First,
we measure how many new results our method introduces
that were not previously returned by the co-view retrieval
approach. Second, and more importantly, we want to observe
how many of these results are actually considered as
relevant related videos by the simulated user (i.e., positioned
at high ranks by the reranking model).
We run the user simulation for a large sample of videos.
Figure 5(a) shows the percentage of new videos ranked among
the top-K results by the simulated user that were intro-

ผลลัพธ์ (ไทย) 1:

พร็อกซี่ที่ดีสำหรับการวัดประสิทธิภาพการทำงาน จะ faithfullyแสดงการทำงานหลักของระบบค่า7.1.3 เรียกวิธีในเอกสารนี้ เรานำเสนอสองวิธีเป็นไปได้ในการรวมหัวข้อการเรียกเข้าสู่ระบบแนะนำวิดีโอที่เกี่ยวข้องครั้งแรก ในหมวดที่ 3 เรากล่าวถึงอัลกอริทึมเรียกที่กำหนดน้ำหนักให้ใช้ลองผิดลองถูกร่วมเหตุการณ์ตามหัวข้อสอง 4 ส่วนเราแสดงขั้นตอนวิธีนวนิยายสำหรับน้ำหนักบนเปลี่ยนหัวข้อการเรียนรู้โดยตรงเราประเมินทั้งวิธีการเหล่านี้ โดยรวมนั้นเป็นสถาปัตยกรรมระบบแนะนำวิดีโอที่เกี่ยวข้องทั่วไปตามที่อธิบายไว้ในรูปที่ 4 ครั้งแรก สูงสุดอันดับผลลัพธ์ผลิต โดยเรียกเสนอสองวิธีนำเข้ารุ่น reranking แล้วเราวัดการเปลี่ยนแปลงในการรวมประสิทธิภาพของระบบ ใช้เป็นการทดลองจำลอง (ส่วน 7.2) หรือใช้การทดลองอยู่จราจร (ขี้เลื่อย 7.3)ในส่วนถัดไป เราหมายถึงอัลกอริทึมเรียกนำเสนอในส่วนที่ 3 เป็น IRTopics จะ ทำให้ใช้ลองผิดลองถูกการเรียกข้อมูล เราถึงเรียกคืนอัลกอริทึมจาก 4 ส่วนเป็น TransTopics เนื่องจากมันอยู่ในช่วงการเปลี่ยนหัวข้อการเรียนรู้7.2 จำลองผู้ใช้ในส่วนนี้ เราอธิบายวิธีการจำลองผู้ใช้สำหรับประเมินประสิทธิภาพของวิธีเรียก เราใช้ประโยชน์รุ่น reranking ที่อธิบายไว้ในหมวดที่ 5 การจำลองโต้ตอบผู้ใช้กับระบบตั้งแต่แบบ reranking คือการฝึกอบรมเพื่อเพิ่มประสิทธิภาพระบบประสิทธิภาพ (ในการคลิกผ่านและนาฬิกาเวลา) บนการจราจรสด เราใช้เพื่อจำลองลักษณะการทำงานของต่อไปผู้ใช้ในระบบ แล้วเราวัดจำนวนผลลัพธ์ที่ได้จากวิธีเรียกหัวข้อจะถูกเพิ่มผู้เลียนแบบเพื่อผลลัพธ์สูงสุดที่เกี่ยวข้อง เปรียบเทียบระบบที่ใช้เรียกดูร่วมเท่านั้น โดยการออกแบบระบบถ้าไม่มีผลลัพธ์จาก เรียกหัวข้อเลือกโดยผู้เลียนแบบ มีไม่มีประโยชน์จากการนี้เรียก เนื่องจากไม่มีผลลัพธ์จะแสดงจริงผู้ใช้มีสองสิ่งที่เรามีความสนใจในการวัด ครั้งแรกเราวัดผลใหม่จำนวนที่แนะนำวิธีการของเราที่มีไม่เคยส่งคืน โดยเรียกมุมมองร่วมแนวทางการ ที่สอง และที่ สำคัญ เราต้องการสังเกตจำนวนผลลัพธ์เหล่านี้จะถือเป็นเกี่ยวข้องที่เกี่ยวข้องกับวิดีโอผู้ใช้จำลอง (เช่น ตำแหน่งที่จัดอันดับสูงรุ่น reranking)เราเรียกการจำลองผู้ใช้สำหรับตัวอย่างขนาดใหญ่ของวิดีโอ5(a) รูปแสดงเปอร์เซ็นต์ของการจัดอันดับระหว่างวิดีโอใหม่ผลลัพธ์ด้าน K ผู้เลียนแบบที่บทนำ-

ผลลัพธ์ (ไทย) 2:

พร็อกซี่ที่ดีสำหรับการวัดประสิทธิภาพการทำงานตั้งแต่วางใจแสดงให้เห็นถึงการทำงานหลักของระบบการประเมิน.
7.1.3 วิธีการดึงในบทความนี้เรานำเสนอสองวิธีที่เป็นไปได้ของการบูรณาการการดึงหัวข้อในระบบข้อเสนอแนะวิดีโอที่เกี่ยวข้อง. ครั้งแรกในส่วนที่ 3 เราได้พูดถึง ขั้นตอนวิธีการดึงที่กำหนดน้ำหนักไปที่หัวข้อการใช้การวิเคราะห์พฤติกรรมตามร่วมเกิดขึ้น. ประการที่สองในมาตรา 4 ที่เรานำเสนอขั้นตอนวิธีนวนิยายสำหรับการเรียนรู้โดยตรงน้ำหนักในการเปลี่ยนหัวข้อ. เราจะประเมินทั้งสองวิธีการเหล่านี้โดยการบูรณาการให้พวกเขาเข้าไปในวิดีโอทั่วไปที่เกี่ยวข้องกับข้อเสนอแนะของสถาปัตยกรรมระบบตามที่อธิบายไว้ในรูปที่ 4 ก่อนที่ผลการจัดอันดับที่สูงที่สุดที่ผลิตโดยหนึ่งในสองวิธีการดึงเสนอจะถูกนำเข้าสู่รูปแบบreranking จากนั้นเราวัดการเปลี่ยนแปลงในการทำงานของระบบโดยรวมโดยใช้การทดสอบจำลอง(มาตรา 7.2) หรือการทดสอบโดยใช้การจราจรสด(Sectrion 7.3). ในส่วนต่อไปเราหมายถึงขั้นตอนวิธีการดึงนำเสนอในส่วนที่ 3 เป็น IRTopics ตั้งแต่ มันทำให้การใช้การวิเคราะห์พฤติกรรมการดึงข้อมูล เราหมายถึงการดึงอัลกอริทึมจากมาตรา 4 เป็น TransTopics เพราะมันจะขึ้นอยู่กับการเรียนรู้การเปลี่ยนระหว่างหัวข้อ. 7.2 การจำลองผู้ใช้ในส่วนนี้เราจะอธิบายวิธีการจำลองผู้ใช้สำหรับการประเมินประสิทธิภาพของวิธีการดึงของเรา เราใช้ประโยชน์จากรูปแบบ reranking ที่อธิบายไว้ในมาตรา 5 เพื่อจำลองการโต้ตอบกับผู้ใช้กับระบบ. ตั้งแต่รุ่น reranking คือการฝึกอบรมเพื่อเพิ่มประสิทธิภาพระบบการปฏิบัติงาน(ในแง่ของอัตราการคลิกผ่านและดูเวลา) ในการเข้าชมการถ่ายทอดสดที่เราใช้มันเพื่อจำลอง พฤติกรรมของทั่วไปผู้ใช้ในระบบ แล้วเราจะวัดจำนวนของผลการส่งกลับโดยวิธีการดึงหัวข้อจะถูกเพิ่มโดยผู้ใช้จำลองผลที่เกี่ยวข้องกับด้านบนเมื่อเทียบกับระบบที่ใช้เพียงการดึงร่วมมุมมอง โดยการออกแบบระบบหากผลจากการดึงหัวข้อจะถูกเลือกโดยผู้ใช้จำลองมีผลประโยชน์จากการปฏิบัตินี้เรียกเนื่องจากไม่มีผลที่จะได้รับการแสดงให้เห็นถึงความเป็นจริงของผู้ใช้. มีสองสิ่งที่เรามีความสนใจในการวัดเป็น ครั้งแรกที่เราจะวัดจำนวนผลลัพธ์ใหม่แนะนำวิธีการของเราที่ไม่ได้กลับไปก่อนหน้านี้โดยการดึงร่วมมุมมองวิธีการ ประการที่สองและที่สำคัญเราต้องการที่จะสังเกตเห็นว่าหลายผลเหล่านี้ถือว่าเป็นจริงเป็นวิดีโอที่เกี่ยวข้องที่เกี่ยวข้องโดยผู้ใช้จำลอง(เช่นตำแหน่งที่อันดับสูงโดยรูปแบบ reranking) ที่. เราทำงานจำลองของผู้ใช้สำหรับตัวอย่างที่มีขนาดใหญ่ของวิดีโอ . รูปที่ 5 (ก) แสดงค่าร้อยละของวิดีโอใหม่การจัดอันดับในผลด้านบน-K โดยผู้ใช้จำลองที่ถูกเผย

ผลลัพธ์ (ไทย) 3:

พร็อกซี่ที่ดีสำหรับการวัดผลการปฏิบัติงาน เพราะนับถือ
แสดงหลักการทำงานของการประเมินระบบ สืบค้นวิธีการ

7.1.3 ในกระดาษนี้เรานำเสนอสองวิธีที่เป็นไปได้ของการดึงหัวข้อในวีดีโอที่เกี่ยวข้อง

แรกแนะนำระบบ ในส่วนที่ 3 เราปรึกษาสืบค้นขั้นตอนวิธีการที่กำหนดหัวข้อการใช้เวท
การวิเคราะห์พฤติกรรมจาก Co .
2ในส่วนที่ 4 เราเสนอวิธีใหม่สำหรับโดยตรง เรียนหนัก

เราประเมินในหัวข้อการเปลี่ยน ทั้งสองวิธีสำหรับพวกเขา
ในทั่วไปเกี่ยวกับระบบวิดีโอแนะนำสถาปัตยกรรม
ตามที่อธิบายไว้ในรูปที่ 4 ครั้งแรกที่ลำดับผลลัพธ์
ผลิต โดยหนึ่งในสองวิธี เสนอดึง
แนะนำลงใน reranking นางแบบ แล้วเราวัด
การเปลี่ยนแปลงในประสิทธิภาพโดยรวมของระบบ โดยใช้ทั้ง
จำลองการทดลอง ( มาตรา 10 ) หรือการทดลองใช้
อยู่จราจร ( ฝ่ายอื่น ) .
ในส่วนถัดไป เราดูที่การเสนอขั้นตอนวิธี
มาตรา 3 เป็น irtopics เพราะมันทำให้การใช้
ฮิวริสติกสืบค้นข้อมูล เราเรียกการ
ขั้นตอนวิธีจากมาตรา 4 เป็น transtopics เพราะมันขึ้นอยู่
เรียนรู้การเปลี่ยนระหว่างหัวข้อ การจำลอง

7.2 ผู้ใช้ ในส่วนนี้เราอธิบายการจำลองผู้ใช้วิธีการประเมินประสิทธิภาพของวิธีการสืบค้น
ของเรา เราใช้ประโยชน์จาก reranking
แบบที่อธิบายไว้ในมาตรา 5 เพื่อให้ผู้ใช้กับระบบจำลอง
.
ตั้งแต่ reranking รูปแบบการอบรมเพื่อเพิ่มประสิทธิภาพระบบ
( ในแง่ของคลิกผ่านอัตราและดู
เวลา ) สดการจราจร เราใช้มันเพื่อจำลองพฤติกรรมของผู้ใช้ทั่วไป
ในระบบ แล้วเราวัดกี่
ผลลัพธ์กลับโดยวิธีสืบค้นหัวข้อจะถูกเพิ่มโดยผู้ใช้
จำลองด้านบนเกี่ยวข้องผลลัพธ์ เมื่อเทียบกับระบบที่ใช้เพียง
Co เรียกดู โดยการออกแบบระบบ
ถ้าไม่มีผลลัพธ์จากการสืบค้นหัวข้อคัดสรร
โดยผู้ใช้ไม่มีผลประโยชน์จากการปฏิบัติการสืบค้นนี้
เนื่องจากไม่มีผลจะแสดงให้ผู้ใช้จริง
.
มีอยู่สองเรื่องที่เราสนใจในวัด แรก
เราวัดใหม่กี่ผลวิธีการแนะนำ
ที่ก่อนหน้านี้ไม่ส่งกลับโดยวิธีการสืบค้น CO ดู

ประการที่สองและที่สำคัญคือ เราต้องสังเกต
กี่ของผลลัพธ์เหล่านี้เป็นจริงถือเป็น
ที่เกี่ยวข้องวิดีโอ โดยจำลองผู้ใช้ ( เช่น วางในตำแหน่งโดย reranking สูง

เราวิ่งแบบ ) ผู้ใช้การจำลองตัวอย่างขนาดใหญ่ของวิดีโอ .
รูปที่ 5 ( ) แสดงร้อยละของการจัดอันดับของวิดีโอใหม่
top-k ผลลัพธ์โดยผู้ใช้ที่แนะนำ -- จำลอง