We then probe our model’s generalit

We then probe our model’s generality, by transfering
its learned representations to the task of personalized
document recommendation: for each of
M users, given N previous positive interactions
with documents (likes, clicks, etc.), predict the
N + 1’th document the user will positively interact
with. To perform well on this task, the representation
should capture the user’s interest in
textual content. We find representations trained
on hashtag prediction outperform representations
from unsupervised learning, and that our convolution

ผลลัพธ์ (ไทย) 1:

เราโพรบแล้ว generality ของรุ่นของเรา โดยการโอนส่วนบุคคลแทนการเรียนรู้การงานเอกสารคำแนะนำ: สำหรับแต่ละผู้ใช้ M, N โต้บวกก่อนหน้าให้เอกสาร (ชอบ คลิก ฯลฯ), ทำนายการN + 1' th เอกสารผู้ใช้จะโต้ตอบบวกด้วยการ ทำดีในงานนี้ การแสดงควรจับผู้สนใจในเนื้อหาข้อความ เราค้นหาแทนที่การฝึกอบรมในการคาดเดาอย่างไร hashtag outperform แทนเรียน unsupervised และที่ convolution ของเรา

ผลลัพธ์ (ไทย) 2:

จากนั้นเราจะตรวจสอบรูปแบบทั่วไปของเราโดยการถ่ายโอนการแสดงที่จะได้เรียนรู้การทำงานของส่วนบุคคลคำแนะนำเอกสาร: สำหรับแต่ละผู้ใช้ M ให้ไม่มีปฏิสัมพันธ์เชิงบวกก่อนหน้านี้กับเอกสาร(ชอบคลิก ฯลฯ ) คาดการณ์N + เอกสาร 1'th ผู้ใช้ในเชิงบวกจะมีปฏิสัมพันธ์กับ ทำงานได้ดีในงานนี้ที่เป็นตัวแทนควรจับความสนใจของผู้ใช้ในเนื้อหาต้นฉบับเดิม เราพบการแสดงการฝึกอบรมเกี่ยวกับการทำนาย hashtag ดีกว่าการแสดงจากการเรียนรู้ใกล้ชิดและที่บิดของเรา

ผลลัพธ์ (ไทย) 3:

จากนั้นเราจะตรวจสอบรูปแบบของเราโดยทั่วไป โดยมีการถ่ายทอดเรียนรู้
เป็นตัวแทนไปงานส่วนบุคคล
เอกสารข้อเสนอแนะสำหรับแต่ละผู้ใช้
M , N ก่อนหน้านี้ได้รับการโต้ตอบบวก
กับเอกสาร ( ชอบ , คลิก , ฯลฯ ) , ทำนาย
n 1'th เอกสารผู้ใช้จะบวกโต้ตอบ
ด้วย เพื่อแสดงในงานนี้ การแสดง
ควรจับผู้ใช้สนใจ
เนื้อหาต้นฉบับเดิม เราพบตัวแทนการฝึกอบรมในการทำนายน้ำหนักแทน

hashtag จากการเรียนรู้แบบไม่มีผู้สอน และรอยหยักของสมองของเรา