The proposed approach results in dr

The proposed approach results in drastically reduced user
waiting times (one order of magnitude). The reason is that
this method takes into account the difference between
classic active learning and active learning for recommender
system. In the recommender system context, each
item has already been rated by training users while in
classic active learning there is not training user. Considering
this difference, we can find new algorithms which
rely on this additional information instead of complicated
computations.

ผลลัพธ์ (ไทย) 1:

วิธีการนำเสนอผลลัพธ์ในผู้ใช้ลดลงอย่างรวดเร็วรอเวลา (หนึ่งใบสั่งของขนาด) เหตุผลคือวิธีนี้คำนึงถึงความแตกต่างระหว่างเรียนรู้งานคลาสสิกและเรียนรู้การใช้งานสำหรับผู้แนะนำระบบ ในบริบทระบบผู้แนะนำ แต่ละคะแนนสินค้าผู้ฝึกในขณะที่ในอยู่แล้วคลาสสิคใช้งานเรียนรู้มีได้ฝึกอบรมผู้ใช้ พิจารณาความแตกต่างนี้ เราสามารถค้นหาอัลกอริทึมใหม่ที่อาศัยข้อมูลเหล่านี้เพิ่มเติมแทนที่ซับซ้อนประมวลผล

ผลลัพธ์ (ไทย) 2:

ผลการเสนอแนวทางในการใช้ลดลงอย่างมากเวลาในการรอ (หนึ่งในลำดับความสำคัญ) เหตุผลก็คือว่าวิธีการนี้จะนำเข้าบัญชีความแตกต่างระหว่างการเรียนรู้การใช้งานคลาสสิกและการเรียนรู้การใช้งานสำหรับrecommender ระบบ ในบริบทของระบบ recommender แต่ละรายการที่ได้รับการประเมินโดยผู้ใช้ในการฝึกอบรมในขณะที่การเรียนรู้การใช้งานคลาสสิกที่มีการฝึกอบรมการใช้งานไม่ได้ เมื่อพิจารณาความแตกต่างนี้เราสามารถหาขั้นตอนวิธีการใหม่ที่พึ่งพาข้อมูลเพิ่มเติมนี้แทนซับซ้อนคำนวณ

ผลลัพธ์ (ไทย) 3:

วิธีการที่เสนอผลในการลดการใช้
รอเวลาอย่างเห็นได้ชัด ( หนึ่งอันดับของขนาด ) เหตุผลก็คือว่า
วิธีนี้จะเข้าสู่บัญชีความแตกต่างระหว่างการเรียนรู้และการเรียนรู้
คลาสสิกที่ใช้งานสำหรับระบบแนะนำ

ในการแนะนำระบบของแต่ละรายการได้ถูกจัดอันดับโดย

ผู้ใช้การฝึกอบรมในขณะที่การเรียนรู้คลาสสิกไม่มีผู้ใช้การฝึกอบรม พิจารณา
ความแตกต่างนี้ได้ เราสามารถค้นหาใหม่อัลกอริทึมที่อาศัยข้อมูลเพิ่มเติมนี้แทน

การคำนวณที่ซับซ้อน .