4.3 Adaptivity of the user model In

4.3 Adaptivity of the user model In CRUMPET an adaptive user model learns user interests from the user's interaction with the system. When a user asks for more information about an object, this adds a small amount to the evidence that a user is interested in objects with these features, more than in others. If a user asks for more and more details about the same object, or even asks for directions to a site/restaurant, this adds a greater amount to the evidence that she or he is interested in such services. The user model, in order to learn user interests, needs reliable and intelligent feedback from the user interface. Another idea would be to use a user‘s movements to infer her or his interests. So, for example, it seems a good idea to infer from a user’s visit to a church that this user is interested in churches. (Again, this only adds a little to the statistical evidence of this user’s interest.) While this approach may be useful in a small and closed world, such as a museum, it is risky in the open world, such as a city. The localisation is not precise enough to determine the user’s topological position without doubt. There may also be several reasons why a user stays for a while at a certain position, and these reasons may not be obvious to the system. So, for instance, the visit in or near a church may be because of a concert in the church, or an exceptional view from its tower, or even the little café in the aisle may attract tourists, who are not generally interested in churches; and none of these reasons can be modelled and determined by the system. So in CRUMPET, which is a guide in the open world, we decided to rely on the user’s interaction with the system to learn her or his interests over time. Learning user interests unfortunately requires a number of events until statistically significant tendencies can be postulated. Several mechanisms to accelerate this are possible. One "shortcut" would be asking the user to confirm early guesses explicitly. Another, complementary, solution will be to initialise the user model using stereotypes. A stereotype is a (small) set of demographic data correlating to a set of
typical interests of such tourists. The most appropriate stereotype to start with can then be identified by a few demographic attributes that the user states when registering to the system. In case a user’s profile has been initialised by an inappropriate stereotype, this would be adjusted over time (implicitly) by learning, or can also be corrected by the user explicitly. The validity of stereotypes, i.e. the correlation of certain demographic data with “typical” user interests, needs to be established by a separate empirical study.

ผลลัพธ์ (ไทย) 2:

4.3 Adaptivity ของรูปแบบของผู้ใช้ในขนมชนิดหนึ่งรูปแบบการเรียนรู้การปรับตัวของผู้ใช้สนใจของผู้ใช้จากการมีปฏิสัมพันธ์ของผู้ใช้กับระบบ เมื่อผู้ใช้จะขอข้อมูลเพิ่มเติมเกี่ยวกับวัตถุนี้จะเพิ่มจำนวนเล็กน้อยหลักฐานที่ผู้ใช้มีความสนใจในวัตถุที่มีคุณสมบัติเหล่านี้มากกว่าคนอื่น ๆ หากผู้ใช้ขอรายละเอียดเพิ่มเติมและเพิ่มเติมเกี่ยวกับวัตถุเดียวกันหรือแม้กระทั่งขอเส้นทางไปยังเว็บไซต์ / ร้านอาหาร, นี้จะเพิ่มจำนวนมากขึ้นให้กับหลักฐานที่แสดงว่าเขาหรือเธอมีความสนใจในการให้บริการดังกล่าว รูปแบบการใช้ในการสั่งซื้อที่จะเรียนรู้สนใจของผู้ใช้ต้องการความคิดเห็นที่เชื่อถือได้และมีความคิดสร้างสรรค์จากอินเตอร์เฟซผู้ใช้ ความคิดก็จะใช้การเคลื่อนไหวของผู้ใช้เพื่อสรุปของเธอหรือความสนใจของเขา ดังนั้นสำหรับตัวอย่างเช่นมันดูเหมือนว่าเป็นความคิดที่ดีที่จะอนุมานได้จากการเข้าชมของผู้ใช้เพื่อคริสตจักรที่ใช้นี้มีความสนใจในคริสตจักร (อีกครั้งนี้เพียง แต่เพิ่มเล็ก ๆ น้อย ๆ กับหลักฐานทางสถิติที่น่าสนใจของผู้ใช้นี้.) ในขณะที่วิธีการนี้อาจจะมีประโยชน์ในโลกที่มีขนาดเล็กและปิดเช่นพิพิธภัณฑ์ก็จะมีความเสี่ยงในโลกเปิดเช่นเมือง การแปลไม่แม่นยำพอที่จะกำหนดตำแหน่งทอพอโลยีของผู้ใช้โดยไม่ต้องสงสัย นอกจากนี้อาจมีเหตุผลหลายประการที่ผู้ใช้อยู่ในขณะที่ตำแหน่งใดตำแหน่งหนึ่งและด้วยเหตุผลเหล่านี้อาจจะไม่เป็นที่เห็นได้ชัดในระบบ ดังนั้นสำหรับตัวอย่างเช่นการเยี่ยมชมในหรือใกล้คริสตจักรอาจจะเป็นเพราะการแสดงคอนเสิร์ตในโบสถ์หรือมุมมองพิเศษจากหอคอยหรือแม้กระทั่งคาเฟ่เล็ก ๆ น้อย ๆ ในทางเดินอาจดึงดูดนักท่องเที่ยวที่ไม่ได้สนใจโดยทั่วไปในโบสถ์; และไม่มีเหตุผลเหล่านี้สามารถจำลองและระบบกำหนด ดังนั้นในขนมชนิดหนึ่งซึ่งเป็นคู่มือในโลกที่เปิดให้เราตัดสินใจที่จะพึ่งพาการปฏิสัมพันธ์ของผู้ใช้กับระบบการเรียนรู้ของเธอหรือความสนใจของเขาในช่วงเวลา การเรียนรู้ที่สนใจของผู้ใช้ แต่น่าเสียดายที่ต้องใช้จำนวนของเหตุการณ์จนกว่าแนวโน้มนัยสำคัญทางสถิติที่สามารถกล่าวอ้าง หลายกลไกในการเร่งการนี้จะเป็นไปได้ หนึ่งใน "ทางลัด" จะขอให้ผู้ใช้เพื่อยืนยันการคาดเดาอย่างชัดเจนในช่วงต้น อีกเสริม, การแก้ปัญหาจะได้รับการ initialise รูปแบบของผู้ใช้โดยใช้แบบแผน กฎตายตัวเป็น (เล็ก) ชุดของข้อมูลประชากรสัมพันธ์กับชุดของ
ผลประโยชน์โดยทั่วไปของนักท่องเที่ยวดังกล่าว ต้นแบบที่เหมาะสมที่สุดในการเริ่มต้นนั้นจะสามารถระบุกลุ่มผู้เข้าชมไม่กี่แอตทริบิวต์ที่รัฐผู้ใช้เมื่อลงทะเบียนกับระบบ ในกรณีที่โปรไฟล์ของผู้ใช้ที่ได้รับการเริ่มต้นใช้งานโดยที่ไม่เหมาะสมตายตัวนี้จะมีการปรับเปลี่ยนในช่วงเวลา (โดยปริยาย) โดยการเรียนรู้หรือยังสามารถได้รับการแก้ไขโดยผู้ใช้อย่างชัดเจน ความถูกต้องของแบบแผนคือความสัมพันธ์ของข้อมูลประชากรบางอย่างกับ "แบบอย่าง" ผลประโยชน์ของผู้ใช้จะต้องมีการจัดตั้งขึ้นโดยการศึกษาเชิงประจักษ์ที่แยกต่างหาก

ผลลัพธ์ (ไทย) 3:

4.3 adaptivity ของผู้ใช้แบบจำลองในรูปแบบการปรับตัวเรียนรู้ผู้ใช้ผู้ใช้ครัมเป็ตผลประโยชน์จากการปฏิสัมพันธ์ของผู้ใช้กับระบบ เมื่อผู้ใช้ขอข้อมูลเพิ่มเติมเกี่ยวกับวัตถุนี้เพิ่มเล็กน้อยกับหลักฐานที่ผู้ใช้สนใจในวัตถุที่มีคุณสมบัติเหล่านี้ กว่าคนอื่น ๆ ถ้าผู้ใช้ขอรายละเอียดเพิ่มเติม และเพิ่มเติมเกี่ยวกับวัตถุเดียวกัน หรือแม้แต่ถามสำหรับเส้นทางไปยังเว็บไซต์ร้านอาหาร / นี้เพิ่มเงินมากขึ้นเพื่อมีหลักฐานว่าเธอหรือเขาเป็นที่สนใจในบริการดังกล่าว ผู้ใช้โมเดล เพื่อศึกษาความสนใจของผู้ใช้ ความต้องการที่เชื่อถือได้และฉลาดความคิดเห็นจากอินเตอร์เฟซผู้ใช้ ความคิดอื่นจะใช้การเคลื่อนไหวของผู้ใช้ สรุปว่าเธอหรือความสนใจของเขา ดังนั้นตัวอย่างเช่นมันเป็นความคิดที่ดีที่จะอนุมานจากการเข้าชมของผู้ใช้ไปยังคริสตจักรที่ผู้ใช้นี้เป็นที่สนใจในโบสถ์ ( อีกครั้ง , นี้เฉพาะ เพิ่มให้หลักฐานทางสถิติที่น่าสนใจ ของผู้ใช้นี้เล็กน้อย ) ในขณะที่วิธีการนี้อาจเป็นประโยชน์ใน โลก เล็ก และ ปิด เช่น พิพิธภัณฑ์มีความเสี่ยงในโลกเปิด เช่น เมือง การแปลไม่แม่นยำเพียงพอที่จะตรวจสอบตำแหน่งรูปแบบของผู้ใช้โดยไม่ต้องสงสัย นอกจากนี้ยังอาจมีหลายเหตุผลที่ผู้ใช้อยู่สักพักที่ตำแหน่งที่แน่นอน และด้วยเหตุผลเหล่านี้อาจไม่ชัด ให้กับระบบ ดังนั้นสำหรับอินสแตนซ์ เยี่ยมชม หรือใกล้กับโบสถ์อาจเป็นเพราะคอนเสิร์ตในโบสถ์ หรือยอดเยี่ยม จากรีวิวของ หรือแม้แต่น้อยคาเฟ่ในทางเดินที่อาจดึงดูดนักท่องเที่ยวที่ไม่ได้โดยทั่วไปที่สนใจในโบสถ์ และไม่มีเหตุผลเหล่านี้สามารถจำลอง และระบุไว้ในระบบ . ดังนั้นในคนที่มีความต้องการทางเพศ ซึ่งเป็นคู่มือในโลกเปิด , เราตัดสินใจที่จะพึ่งพาผู้ใช้โต้ตอบกับระบบ เพื่อเรียนรู้หรือความสนใจของเขาตลอดเวลา เรียน ผู้ใช้ต้องใช้หมายเลขของสถานที่ที่เหตุการณ์จนถึงอย่างมีนัยสำคัญทางสถิติ แนวโน้มสามารถ postulated . หลายกลไกในการเร่งนี้เป็นไปได้ " ทางลัด " จะถามผู้ใช้เพื่อยืนยันก่อน คาดเดา อย่างชัดเจน อีกคู่ โซลูชั่น จะต้อง initialise ผู้ใช้แบบจำลองโดยใช้แบบแผน แบบเป็นชุด ( เล็ก ) ของข้อมูลประชากรมีความสัมพันธ์กับชุดประโยชน์โดยทั่วไปของนักท่องเที่ยวดังกล่าว ต้นแบบที่เหมาะสมที่สุดที่จะเริ่มต้นด้วยแล้วสามารถระบุได้โดยไม่กี่ปัจจัยคุณลักษณะที่ผู้ใช้ระบุเมื่อลงทะเบียนกับระบบ ในกรณีที่โปรไฟล์ของผู้ใช้ที่ได้รับ initialised โดยการเหมารวมไม่เหมาะสม นี้จะถูกปรับปรุงตลอดเวลา ( โดยปริยาย ) โดยการเรียนรู้ หรือสามารถถูกแก้ไขได้โดยผู้ใช้อย่างชัดเจน ความถูกต้องของพวกเขา คือ ความสัมพันธ์ของบางข้อมูลส่วนบุคคลที่มี " ความสนใจผู้ใช้ทั่วไป " ต้องถูกก่อตั้งขึ้น โดยแยกการศึกษาเชิงประจักษ์ .