User interface design. An individua

User interface design. An individual’s satisfaction with a group recommendation may be increased by good user interface design. For example, when showing an item, users could be shown what the next item will be (e.g. in a TV programme through a subtitle). This may inform users who do not like the current item that they will like the next one better.
• Group aggregation strategies for cold-start problems. In Section 21.7.2, we have sketched how group aggregation can be used to help solve the cold-start problem. However, our study in this area was very small, and a lot more work is required to validate and optimise this approach.
• Dealing with uncertainty. In this chapter, we have assumed that we have accurate profiles of individuals’ preferences. For example, in Table 21.1, the recommender knows that Peter’s rating of item B is 4. However, in reality we will
often have probabilistic data. For example, we may know with 80% certainty
that Peter’s rating is 4. Adaptations of the aggregation strategies may be needed
to deal with this. DeCampos et al try to deal with uncertainty by using Baysian
networks [4]. However, they have so far focussed on the Average and Plurality
Voting strategies, not yet tackling the avoidance of misery and fairness issues.
• Empirical Studies. More empirical evaluations are vital to bring this field for-
wards. It is a challenge to design well-controlled, large scale empirical studies
in a real-world setting, particularly when dealing with group recommendations
and affective state. All research so far (including my own) has either been on a
small scale, in a contrived setting or lacks control.

ผลลัพธ์ (ไทย) 1:

การออกแบบส่วนติดต่อผู้ใช้ แนะนำกลุ่มความพึงพอใจของแต่ละบุคคลอาจจะเพิ่ม โดยออกแบบส่วนติดต่อผู้ใช้ที่ดี ตัวอย่าง เมื่อแสดงสินค้า ผู้ใช้สามารถแสดงสิ่งที่รายการถัดไปจะเป็น (เช่นในโครงการทีวีโดยมีคำบรรยาย) นี้อาจแจ้งให้ผู้ใช้ที่ไม่ชอบสินค้าปัจจุบันที่พวกเขาจะต้องดีกว่าหนึ่งต่อไปกลยุทธ์การรวมกลุ่มของ•ปัญหาเริ่มเย็น ในส่วนของ 21.7.2 เราได้ร่างแผนวิธีการใช้รวมกลุ่มเพื่อช่วยแก้ไขปัญหาเริ่มต้นเย็น อย่างไรก็ตาม เราศึกษาในพื้นที่นี้มีขนาดเล็กมาก และทำงานมากขึ้นจะต้องตรวจสอบ และเพิ่มประสิทธิภาพของวิธีการนี้•การจัดการกับความไม่แน่นอน ในบทนี้ เราได้ถือว่า เรามี profiles ความถูกต้องของการกำหนดลักษณะของบุคคล ตัวอย่าง ในตาราง 21.1 ผู้แนะนำที่รู้ว่าคะแนนปีเตอร์ของสินค้า B 4 อย่างไรก็ตาม ในความเป็นจริงเราจะมักจะมีข้อมูล probabilistic ตัวอย่าง เราอาจรู้ว่า มีแน่นอน 80%ปีเตอร์ที่คะแนนเป็น 4 ท้องของกลยุทธ์รวมอาจมีความจำเป็นการจัดการกับนี้ DeCampos et al พยายามจัดการกับความไม่แน่นอนโดย Baysianเครือข่าย [4] อย่างไรก็ตาม พวกเขาได้จน focussed เฉลี่ยและหลายฝ่ายออกเสียงลงคะแนนกลยุทธ์ ยังไม่ได้ แก้ปัญหาการหลีกเลี่ยงความทุกข์ยากและปัญหายุติธรรม•ประจักษ์ศึกษา ประเมินผลเพิ่มเติมที่มีความสำคัญเพื่อนำ field นี้สำหรับ-เขตการปกครอง มันเป็นความท้าทายในการออกแบบขนาดใหญ่ ห้องควบคุมผลการศึกษาในโลกจริง โดยเฉพาะอย่างยิ่งเมื่อทำงานกับกลุ่มคำแนะนำและสถานะผล งานวิจัยทั้งหมดเพื่อให้ห่างไกล (รวมทั้งข้าพเจ้า) จะได้เป็นขนาดเล็ก ควบคุมการตั้งค่าหรือขาด contrived การ

ผลลัพธ์ (ไทย) 2:

การออกแบบส่วนติดต่อผู้ใช้ ความพึงพอใจของแต่ละบุคคลที่มีข้อเสนอแนะกลุ่มอาจจะเพิ่มขึ้นจากการออกแบบอินเตอร์เฟซผู้ใช้ที่ดี ตัวอย่างเช่นเมื่อการแสดงรายการที่ผู้ใช้จะได้รับการแสดงให้เห็นว่ารายการต่อไปจะได้รับ (เช่นในโปรแกรมทีวีผ่านคำบรรยาย) นี้อาจแจ้งให้ผู้ใช้ที่ไม่ชอบรายการในปัจจุบันที่พวกเขาจะชอบหน้าหนึ่งที่ดีกว่า.
•กลยุทธ์การรวมกลุ่มสำหรับปัญหาเย็นเริ่มต้น ในส่วน 21.7.2 เราได้ร่างวิธีการรวมกลุ่มสามารถนำมาใช้เพื่อช่วยแก้ปัญหาที่เกิดขึ้นเย็นเริ่มต้น แต่การศึกษาของเราในพื้นที่นี้มีขนาดเล็กมากและทำงานมากขึ้นจำเป็นต้องมีการตรวจสอบและเพิ่มประสิทธิภาพของวิธีการนี้.
•การจัดการกับความไม่แน่นอน ในบทนี้เราได้มีการสันนิษฐานว่าเรามีไฟที่ถูกต้องโปร les ของการตั้งค่าของแต่ละบุคคล ยกตัวอย่างเช่นในตารางที่ 21.1, recommender รู้ว่าคะแนนปีเตอร์ของรายการ B เป็น 4 อย่างไรก็ตามในความเป็นจริงเราจะ
มักจะมีข้อมูลที่น่าจะเป็น ตัวอย่างเช่นเราอาจจะรู้ด้วยความมั่นใจ 80%
ว่าคะแนนปีเตอร์คือ 4 ดัดแปลงมาจากกลยุทธ์การรวมอาจมีความจำเป็น
ที่จะจัดการกับเรื่องนี้ DeCampos และคณะพยายามที่จะจัดการกับความไม่แน่นอนโดยใช้ Baysian
เครือข่าย [4] อย่างไรก็ตามพวกเขาได้เพื่อให้ห่างไกลเพ่งความสนใจไปเฉลี่ยและพหุ
กลยุทธ์การออกเสียงลงคะแนนยังไม่ได้แก้ปัญหาการหลีกเลี่ยงจากความทุกข์ยากและปัญหาความเป็นธรรม.
•การศึกษาเชิงประจักษ์ การประเมินผลการทดลองอื่น ๆ มีความสำคัญที่จะนำการกําไฟไหม้ไฟนี้
วอร์ด มันเป็นความท้าทายในการออกแบบที่ดีที่มีการควบคุม, การศึกษาเชิงประจักษ์ขนาดใหญ่
ในการตั้งค่าจริงของโลกโดยเฉพาะอย่างยิ่งเมื่อต้องรับมือกับกลุ่มคำแนะนำ
และรัฐอารมณ์ การวิจัยทั้งหมดเพื่อให้ห่างไกล (รวมทั้งของตัวเอง) ได้ทั้งรับใน
ขนาดเล็กในการตั้งค่าที่วางแผนไว้หรือขาดการควบคุม

ผลลัพธ์ (ไทย) 3:

การออกแบบส่วนติดต่อกับผู้ใช้ ความพึงพอใจของแต่ละคน กับ กลุ่มแนะนำอาจจะเพิ่มขึ้นโดยผู้ใช้การออกแบบอินเตอร์เฟซ ตัวอย่างเช่น เมื่อแสดงรายการผู้ใช้จะเห็นได้ว่ารายการต่อไปจะเป็น ( เช่น ในรายการทีวี ผ่านคำบรรยาย ) นี้อาจแจ้งให้ผู้ใช้ที่ไม่เหมือนปัจจุบันรายการที่พวกเขาจะชอบต่อไปดีกว่า
.กลยุทธ์การรวมแต่ละกลุ่มปัญหาเริ่มหนาว ในส่วน 21.7.2 เราได้เขียนวิธีรวมกลุ่มที่สามารถใช้เพื่อช่วยแก้เย็นเริ่มต้นปัญหา อย่างไรก็ตาม การศึกษาของเราในพื้นที่นี้มีขนาดเล็กมาก และมาก งานจะต้องตรวจสอบและปรับวิธีการนี้ .
- การจัดการกับความไม่แน่นอน ในบทนี้เราคิดว่าเราได้แม่นยำ Pro จึงเล ของบุคคลที่ ' การตั้งค่า ตัวอย่างเช่น ในโต๊ะ 21.1 , แนะนำรู้ว่าปีเตอร์อันดับของรายการ บี 4 อย่างไรก็ตาม ในความเป็นจริงเราจะ
มักจะมีข้อมูลการ . ตัวอย่างเช่น เราอาจจะรู้จักกับ 80 เปอร์เซ็นต์
ที่โรงแรมปีเตอร์ 4 การปรับตัวของการรวมกลยุทธ์อาจจะต้องการ
เพื่อจัดการกับเรื่องนี้decampos et al พยายามที่จะจัดการกับความไม่แน่นอนโดยใช้เครือข่าย baysian
[ 4 ] อย่างไรก็ตาม พวกเขาได้ดังนั้นไกลเน้นโดยเสียงข้างมาก
กลยุทธ์ลงคะแนนเสียงไม่ได้แก้ปัญหาการหลีกเลี่ยงปัญหาความทุกข์ยากและความเป็นธรรม
- การศึกษาเชิงประจักษ์ . การประเมินเชิงประจักษ์มากขึ้นเป็นสิ่งจำเป็นที่จะนำละมั่งจึงนี้ -
หอผู้ป่วย มันเป็นความท้าทายในการออกแบบ ควบคุมได้ดี ขนาดใหญ่ ระดับการศึกษาเชิงประจักษ์
ในโลกแห่งความจริง การตั้งค่า โดยเฉพาะอย่างยิ่งเมื่อจัดการกับกลุ่มข้อเสนอแนะ
และสภาพจิตพิสัย งานวิจัยทั้งหมดแล้ว ( รวมทั้งผมเอง ) ได้รับการอย่างใดอย่างหนึ่งบน
ขนาดเล็ก ในการประดิษฐ์ หรือขาดการควบคุม