Fig. 21.8: Cold-start problem in ca

Fig. 21.8: Cold-start problem in case of social filtering


Table 21.8: Unequal Average Without Misery Strategy with Location unimportant
and threshold 6


We have some evidence that people’s behaviour reflects the outcomes of these
strategies [11], however, more research is clearly needed in this area to see which
strategy is best. Also, more research is needed to establish when to regard a criterion
as ”unimportant”.
The issue of multiple criteria is also the topic of another chapter in this handbook
(see Chapter 24).


21.7.2 Cold-Start Problem

A big problem for recommender systems is the so-called cold-start problem: to adapt
to a user, the system needs to know what the user liked in the past. This is needed
in content-based filtering to decide on items similar to the ones the user liked. It
is needed in social filtering to decide on the users who resemble this user in the
sense that they (dis)liked the same items in the past (see Figure 21.8). So, what if
you do not know anything about the user yet, because they only just started using the
system? Recommender system designers tend to solve this problem by either getting
users to rate items at the start, or by getting them to answer some demographic
questions (and then using stereotypes as a starting point, e.g. elderly people like
classical music).

ผลลัพธ์ (ไทย) 1:

Fig. 21.8: ปัญหาเริ่มเย็นกรณี filtering สังคม21.8 ตาราง: ไม่เท่ากันเฉลี่ยโดยไม่ทุกข์กลยุทธ์มีความสำคัญและขีดจำกัดที่ 6เรามีหลักฐานบางอย่างที่ประชาชนพฤติกรรม reflects ผลลัพธ์เหล่านี้กลยุทธ์ [11], ไร วิจัยเพิ่มเติมชัดเจนจำเป็นบริเวณนี้ให้ดูที่กลยุทธ์ที่ดีสุด ยัง วิจัยเพิ่มเติมเป็นสิ่งจำเป็นเพื่อสร้างเมื่อถือเกณฑ์เป็น "ความสำคัญ"หลายเงื่อนไขออกเป็นหัวข้อบทอื่นในคู่มือนี้(ดูบทที่ 24)21.7.2 ปัญหาเริ่มเย็นปัญหาเริ่มเย็นเรียกว่าเป็นปัญหาใหญ่สำหรับผู้แนะนำระบบ: การปรับผู้ใช้ ระบบจำเป็นต้องทราบว่าผู้ใช้ชอบในอดีต นี้เป็นสิ่งจำเป็นใน filtering ที่ใช้เนื้อหาการจัดรายการที่คล้ายกับผู้ที่ชอบ มันจำเป็นในสังคม filtering เพื่อเลือกผู้ใช้ที่มีลักษณะนี้ผู้ใช้ในการรู้สึกว่า พวกเขา (โรค) ชอบสินค้าเดียวกันในอดีต (ดูรูปที่ 21.8) ดังนั้น ถ้าคุณไม่รู้อะไรเกี่ยวกับผู้ใช้ได้ เนื่องจากพวกเขาเพียงแค่เริ่มต้นโดยใช้การระบบ ออกแบบระบบผู้แนะนำมักจะ แก้ปัญหานี้ โดยการรับผู้ใช้ ที่เริ่มต้น หรือ โดยการให้ตอบบางประชากรคำถาม (และใช้มักเป็นจุดเริ่มต้น ผู้สูงอายุเช่นเช่นดนตรี)

ผลลัพธ์ (ไทย) 2:

มะเดื่อ 21.8 ปัญหาเย็นเริ่มต้นในกรณีของ ltering Fi สังคมตารางที่ 21.8: ไม่เท่ากันเฉลี่ยโดยไม่ต้องกลยุทธ์เดือดร้อนกับสถานที่สำคัญและเกณฑ์ 6 เรามีหลักฐานที่แสดงว่าพฤติกรรมของผู้คนอีกชั้นบางสะท้อนผลลัพธ์เหล่านี้กลยุทธ์ [11] อย่างไรก็ตามการวิจัยมากขึ้นเป็นสิ่งจำเป็นอย่างชัดเจนใน พื้นที่นี้เพื่อดูว่ากลยุทธ์ที่ดีที่สุดคือ นอกจากนี้การวิจัยมากขึ้นเป็นสิ่งจำเป็นที่จะสร้างเมื่อจะถือว่าเกณฑ์ว่า "ไม่สำคัญ". ปัญหาของหลายเกณฑ์ยังเป็นหัวข้อของบทหนึ่งในคู่มือนี้(ดูบทที่ 24). 21.7.2 เย็นเริ่มต้นปัญหาปัญหาใหญ่สำหรับ ระบบ recommender เป็นที่เรียกว่าปัญหาเย็นเริ่มต้นที่จะปรับตัวเข้ากับผู้ใช้ระบบความต้องการที่จะรู้ว่าสิ่งที่ผู้ใช้ชอบในอดีตที่ผ่านมา นี้เป็นสิ่งจำเป็นใน ltering Fi เนื้อหาที่ใช้ในการตัดสินใจเกี่ยวกับรายการที่คล้ายกันกับที่ผู้ใช้ชอบ มันเป็นสิ่งจำเป็นใน ltering Fi สังคมเพื่อตัดสินใจเกี่ยวกับผู้ใช้ที่มีลักษณะคล้ายกับการใช้งานนี้ในความรู้สึกว่าพวกเขา (DIS) ชอบรายการเดียวกันในอดีตที่ผ่านมา (ดูรูปที่ 21.8) ดังนั้นสิ่งที่ถ้าคุณไม่ได้รู้อะไรเกี่ยวกับผู้ใช้ยังเพราะพวกเขาเริ่มต้นเพียงแค่ใช้ระบบ? ระบบ Recommender นักออกแบบมีแนวโน้มที่จะแก้ปัญหานี้โดยการรับสมาชิกให้คะแนนรายการที่เริ่มต้นหรือโดยพวกเขาได้รับการตอบประชากรศาสตร์บางคำถาม (แล้วใช้แบบแผนเป็นจุดเริ่มต้นเช่นผู้สูงอายุเช่นดนตรีคลาสสิก)

ผลลัพธ์ (ไทย) 3:

รูปที่ 21.8 : เริ่มเย็นปัญหาในกรณีของสังคมจึง ltering


: ไม่เท่ากันเฉลี่ย 21.8 ตารางโดยไม่ต้องทุกข์กลยุทธ์ตำแหน่งไม่สำคัญ
6


เราเกณฑ์และมีหลักฐานว่า พฤติกรรมของคนเป็นflผลผลของกลยุทธ์เหล่านี้
[ 11 ] อย่างไรก็ตาม การวิจัยเพิ่มเติมเป็นอย่างชัดเจนที่จำเป็นในพื้นที่นี้ เพื่อดูกลยุทธ์ซึ่ง
เป็นดีที่สุด นอกจากนี้การวิจัยมากขึ้นเป็นสิ่งจำเป็น ที่จะสร้าง เมื่อพิจารณาเกณฑ์

" ไม่สำคัญ " ปัญหาของหลายเกณฑ์เป็นหัวข้อของบทอื่นในนี้คู่มือ
( ดูบทที่ 24 ) .




21.7.2 เริ่มเย็น ปัญหาเป็นปัญหาใหญ่สำหรับการแนะนำระบบเรียกว่าเริ่มเย็นปัญหา : เพื่อปรับ
ให้กับผู้ใช้ระบบต้องการทราบว่าผู้ใช้ชอบในอดีต นี้เป็นสิ่งจำเป็น
ในการถ่ายทอดเนื้อหา ltering ที่จะตัดสินใจเกี่ยวกับรายการคล้ายกับผู้ใช้ชอบ มันเป็นสิ่งจำเป็นในสังคม ltering
จึงตัดสินในผู้ใช้ที่คล้ายกับผู้ใช้นี้ใน
รู้สึกว่าพวกเขา ( DIS ) ชอบรายการเดียวกันในอดีต ( ดูรูปที่ 21.8 ) แล้วถ้า
คุณไม่ได้รู้อะไรเกี่ยวกับผู้ใช้เลย เพราะเพิ่งเริ่มใช้
ระบบ ?นักออกแบบระบบการแนะนำมีแนวโน้มที่จะแก้ไขปัญหานี้ โดยจะใช้อัตรา
รายการที่เริ่มต้นหรือโดยการตอบคำถาม ประชากร
คำถาม ( แล้วใช้พวกเขาเป็นจุดเริ่มต้น เช่น คนแก่ชอบ

เพลงคลาสสิก )