In contrast tothe previous works, t

In contrast to
the previous works, this method is developed specially
for aspect model in recommender system. The proposed
method selects items for querying which are most effective
to improve the user latent parameters in aspect
model.
• 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.
The rest of this paper is organized as follows: in section 2,
the related works are reviewed. Active learning for aspect is
explained in section 3. Then the proposed method will be
described in section 4, followed by experimental result in
section 5. Finally the conclusion is stated in section 6.

ผลลัพธ์ (ไทย) 1:

ในทางตรงกันข้ามกับงานก่อนหน้า วิธีนี้พัฒนาขึ้นเป็นพิเศษสำหรับรูปแบบด้านในระบบผู้แนะนำ การนำเสนอวิธีเลือกสินค้าสำหรับการสอบถามที่มีประสิทธิภาพมากที่สุดปรับปรุงพารามิเตอร์ที่แฝงอยู่ของผู้ใช้ในด้านแบบจำลอง•วิธีเสนอผลผู้ใช้ลดลงอย่างรวดเร็วรอเวลา (หนึ่งใบสั่งของขนาด) เหตุผลคือวิธีนี้คำนึงถึงความแตกต่างระหว่างเรียนรู้งานคลาสสิกและเรียนรู้การใช้งานสำหรับผู้แนะนำระบบ ในบริบทระบบผู้แนะนำ แต่ละคะแนนสินค้าผู้ฝึกในขณะที่ในอยู่แล้วคลาสสิคใช้งานเรียนรู้มีได้ฝึกอบรมผู้ใช้ พิจารณาความแตกต่างนี้ เราสามารถค้นหาอัลกอริทึมใหม่ที่อาศัยข้อมูลเหล่านี้เพิ่มเติมแทนที่ซับซ้อนประมวลผลส่วนเหลือของเอกสารนี้ถูกจัดระเบียบเป็นดังนี้: ในส่วนที่ 2งานที่เกี่ยวข้องมีการตรวจทาน ใช้สำหรับด้านการเรียนรู้อธิบายใน 3 ส่วน แล้ว จะมีวิธีการนำเสนออธิบายไว้ในส่วน 4 ตามผลการทดลองในส่วนที่ 5 บทสรุปสุดท้าย จะระบุในส่วนที่ 6

ผลลัพธ์ (ไทย) 2:

ในทางตรงกันข้ามกับผลงานที่ผ่านมาวิธีการนี้ได้รับการพัฒนามาเป็นพิเศษสำหรับรูปแบบด้านที่อยู่ในระบบrecommender ที่นำเสนอวิธีการเลือกรายการสำหรับการสอบถามที่มีประสิทธิภาพมากที่สุดในการปรับปรุงใช้พารามิเตอร์แฝงอยู่ในด้านรูปแบบ. •ผลการเสนอแนวทางในการใช้ลดลงอย่างมากเวลาในการรอ (หนึ่งในลำดับความสำคัญ) เหตุผลก็คือว่าวิธีการนี้จะนำเข้าบัญชีความแตกต่างระหว่างการเรียนรู้การใช้งานคลาสสิกและการเรียนรู้การใช้งานสำหรับrecommender ระบบ ในบริบทของระบบ recommender แต่ละรายการที่ได้รับการประเมินโดยผู้ใช้ในการฝึกอบรมในขณะที่การเรียนรู้การใช้งานคลาสสิกที่มีการฝึกอบรมการใช้งานไม่ได้ เมื่อพิจารณาความแตกต่างนี้เราสามารถหาขั้นตอนวิธีการใหม่ที่พึ่งพาข้อมูลเพิ่มเติมนี้แทนการที่ซับซ้อน. คำนวณส่วนที่เหลือของบทความนี้มีการจัดระเบียบดังต่อไปนี้ในส่วนที่ 2 ผลงานที่เกี่ยวข้องจะมีการทบทวน การเรียนรู้การใช้งานสำหรับด้านคือการอธิบายในส่วนที่ 3. จากนั้นวิธีการที่นำเสนอจะได้รับการอธิบายไว้ในส่วนที่4 ตามมาด้วยผลการทดลองในส่วนที่5 สุดท้ายข้อสรุปที่ระบุไว้ในมาตรา 6

ผลลัพธ์ (ไทย) 3:

ในทางตรงกันข้ามกับ
ผลงานก่อนหน้านี้ วิธีนี้เป็นวิธีที่พัฒนาขึ้นเป็นพิเศษสำหรับรูปแบบกว้างในระบบแนะนำ
. เสนอวิธีการเลือกรายการสำหรับข้อมูล

ซึ่งจะมีประสิทธิภาพมากที่สุดเพื่อปรับปรุงค่าพารามิเตอร์ในแบบจำลองด้านผู้ใช้แฝง
.
- วิธีการที่เสนอผลลัพธ์ในการลดผู้ใช้
รอเวลาอย่างเห็นได้ชัด ( หนึ่งอันดับของขนาด ) เหตุผลก็คือว่า
วิธีนี้จะเข้าสู่บัญชีความแตกต่างระหว่างการเรียนรู้และการเรียนรู้
คลาสสิกที่ใช้งานสำหรับระบบแนะนำ

ในการแนะนำระบบของแต่ละรายการได้ถูกจัดอันดับโดย

ผู้ใช้การฝึกอบรมในขณะที่การเรียนรู้คลาสสิกไม่มีผู้ใช้การฝึกอบรม พิจารณา
ความแตกต่างนี้ เราสามารถค้นหาใหม่อัลกอริทึมที่อาศัยข้อมูลเพิ่มเติมนี้แทน

ของซับซ้อนการคำนวณ .
ส่วนที่เหลือของบทความนี้คือการจัด ดังนี้ ในส่วนที่เกี่ยวข้อง 2
งานดำเนินต่อไป เรียนรู้งานด้านคือ
อธิบายไว้ในมาตรา 3 แล้ววิธีที่เสนอจะ
อธิบายไว้ในมาตรา 4 ตามด้วยผลการทดลองใน
มาตรา 5 สุดท้าย สรุปคือ ที่ระบุไว้ในมาตรา ๖