Personalized recommender systems ba

Personalized recommender systems based on latent factor
models are widely used to increase sales in e-commerce. Such
systems use the past behavior of users to recommend new
items that are likely to be of interest to them. However,
latent factor model suffer from sparse user-item interaction
in online shopping data: for a large portion of items that
do not have sufficient purchase records, their latent factors
cannot be estimated accurately.
In this paper, we propose a novel approach that automatically
discovers the taxonomies from online shopping data
and jointly learns a taxonomy-based recommendation system.
Out model is non-parametric and can learn the taxonomy
structure automatically from the data. Since the
taxonomy allows purchase data to be shared between items,
it effectively improves the accuracy of recommending tail
items by sharing strength with the more frequent items. Experiments
on a large-scale online shopping dataset confirm
that our proposed model improves significantly over state-ofthe-art
latent factor models. Moreover, our model generates
high-quality and human readable taxonomies. Finally, using
the algorithm-generated taxonomy, our model even outperforms
latent factor models based on the human-induced
taxonomy, thus alleviating the need for costly manual taxonomy
generation.

ผลลัพธ์ (ไทย) 1:

ระบบผู้แนะนำส่วนบุคคลปัจจัยแฝงรุ่นถูกใช้อย่างกว้างขวางเพื่อเพิ่มยอดขายใน e-commerce ดังกล่าวใช้ระบบการทำงานที่ผ่านมาของผู้ใช้จะแนะนำใหม่รายการที่มีแนวโน้มที่จะสนใจของพวกเขา อย่างไรก็ตามแบบจำลองปัจจัยแฝงทุกข์ทรมานจากการโต้ตอบผู้ใช้สินค้าห่างในข้อมูลร้านค้าออนไลน์: สำหรับส่วนใหญ่ของสินค้าที่ไม่มีเรกคอร์ดเพียงพอซื้อ ปัจจัยแฝงอยู่ไม่สามารถจะประเมินได้อย่างถูกต้องในกระดาษนี้ เราเสนอแนวทางใหม่ที่โดยอัตโนมัติพบจำแนกประเภทจากข้อมูลช้อปปิ้งออนไลน์และร่วมกันเรียนรู้ระบบการจำแนกประเภทตามคำแนะนำหารุ่นไม่ใช่พาราเมตริก และสามารถเรียนรู้ระบบภาษีโครงสร้างโดยอัตโนมัติจากข้อมูล เนื่องจากการช่วยให้ระบบภาษีซื้อข้อมูลสามารถใช้ร่วมกันระหว่างรายการจะช่วยเพิ่มความแม่นยำของหางแนะนำได้อย่างมีประสิทธิภาพสินค้า โดยร่วมแรงกับสินค้าบ่อยขึ้น การทดลองยืนยันชุดข้อมูลแหล่งช้อปปิ้งออนไลน์ขนาดใหญ่ว่า รูปแบบการนำเสนอของเราปรับปรุงอย่างมีนัยสำคัญเหนือรัฐของศิลปะแบบจำลองปัจจัยแฝงอยู่ นอกจากนี้ สร้างรูปแบบของเราคุณภาพสูง และมนุษย์สามารถอ่านได้จำแนกประเภท ในที่สุด ใช้อัลกอริทึมที่มีสร้างระบบภาษี แบบจำลองของเราแม้จะมีประสิทธิภาพสูงกว่าแบบจำลองปัจจัยแฝงอิงมนุษย์เกิดระบบภาษี จึง บรรเทาความต้องการระบบภาษีด้วยตนเองค่าใช้จ่ายรุ่น

ผลลัพธ์ (ไทย) 2:

ส่วนบุคคลระบบ recommender ขึ้นอยู่กับปัจจัยแฝง
แบบจำลองจะใช้กันอย่างแพร่หลายเพื่อเพิ่มยอดขายในรูปแบบ e-Commerce เช่น
ระบบการใช้พฤติกรรมที่ผ่านมาของผู้ใช้ที่จะแนะนำใหม่
รายการที่มีแนวโน้มที่จะเป็นที่สนใจของพวกเขา อย่างไรก็ตาม
รูปแบบปัจจัยแฝงทุกข์ทรมานจากการโต้ตอบกับผู้ใช้รายการเบาบาง
ในข้อมูลช้อปปิ้งออนไลน์: สำหรับส่วนใหญ่ของรายการที่
ไม่ได้มีการบันทึกการซื้อเพียงพอปัจจัยแฝงของพวกเขา
ไม่สามารถประมาณได้อย่างถูกต้อง.
ในบทความนี้เราจึงนำเสนอแนวทางใหม่โดยอัตโนมัติ
ค้นพบ taxonomies จากข้อมูลช้อปปิ้งออนไลน์
และร่วมเรียนรู้ระบบแนะนำอนุกรมวิธานตาม.
ออกรูปแบบที่ไม่ใช่คณิตศาสตร์และสามารถเรียนรู้อนุกรมวิธาน
โครงสร้างโดยอัตโนมัติจากข้อมูล ตั้งแต่
อนุกรมวิธานช่วยให้ข้อมูลการสั่งซื้อที่จะใช้ร่วมกันระหว่างรายการ
ได้อย่างมีประสิทธิภาพช่วยเพิ่มความถูกต้องของการแนะนำหาง
รายการด้วยการแบ่งปันความแข็งแรงกับรายการบ่อยมากขึ้น การทดลอง
ในขนาดใหญ่ช้อปปิ้งออนไลน์ยืนยันชุด
ว่าการนำเสนอรูปแบบของเราช่วยเพิ่มอย่างมีนัยสำคัญมากกว่ารัฐ ofthe ศิลปะ
รุ่นปัจจัยแฝง นอกจากนี้รูปแบบของเราสร้าง
คุณภาพสูงและมนุษย์ taxonomies อ่าน สุดท้ายใช้
อนุกรมวิธานขั้นตอนวิธีการสร้างรูปแบบของเราแม้จะมีประสิทธิภาพดีกว่า
แบบจำลองปัจจัยที่แฝงอยู่บนพื้นฐานของมนุษย์ที่เกิด
อนุกรมวิธานจึงบรรเทาความจำเป็นที่จะต้องเสียค่าใช้จ่ายอนุกรมวิธานคู่มือ
รุ่น

ผลลัพธ์ (ไทย) 3:

ส่วนตัวแนะนำระบบขึ้นอยู่กับปัจจัยแฝงรุ่นที่ใช้กันอย่างแพร่หลายเพื่อเพิ่มยอดขายในอีคอมเมิร์ซ เช่นระบบการใช้พฤติกรรมที่ผ่านมาของผู้ใช้ที่จะแนะนำใหม่รายการที่มีแนวโน้มที่จะเป็นที่สนใจของพวกเขา อย่างไรก็ตามรูปแบบปัจจัยแฝงที่ประสบจากการปฏิสัมพันธ์เบาบางรายการผู้ใช้ข้อมูล ช้อปปิ้งออนไลน์ สำหรับส่วนใหญ่ของรายการที่ไม่มีบันทึกการซื้อเพียงพอของปัจจัยแฝงไม่สามารถคาดการณ์ได้อย่างแม่นยำในบทความนี้เรานำเสนอแนวทางใหม่ให้โดยอัตโนมัติค้นพบส่วนประกอบจากข้อมูล ช้อปปิ้งออนไลน์และร่วมเรียนรู้อนุกรมวิธานระบบคำแนะนำตามออกมาแบบไม่ใช้พารามิเตอร์ และสามารถเรียนรู้อนุกรมวิธานโครงสร้างโดยอัตโนมัติจากข้อมูล ตั้งแต่อนุกรมวิธานช่วยให้ข้อมูลที่จะใช้ร่วมกันระหว่างการซื้อสินค้าได้อย่างมีประสิทธิภาพช่วยเพิ่มความถูกต้องของการแนะนำหางรายการ โดยการใช้แรงกับรายการที่ใช้บ่อยมากขึ้น การทดลองในขนาดใหญ่ ช้อปปิ้งออนไลน์ ข้อมูลยืนยันที่เราเสนอแบบเพิ่มมากกว่ารัฐของศิลปะโมเดลปัจจัยแฝง นอกจากนี้ รูปแบบของเรา สร้างที่มีคุณภาพสูงและส่วนประกอบของมนุษย์ที่สามารถอ่านได้ . ในที่สุด , ใช้ขั้นตอนวิธีการสร้างอนุกรมวิธาน รุ่นของเราได้มีประสิทธิภาพดีกว่าแฝงปัจจัยรูปแบบขึ้นอยู่กับมนุษย์ชักนำอนุกรมวิธาน จึงต้องแก้ไขคู่มือของแพงรุ่น