23.3 Active Learning in Recommender

23.3 Active Learning in Recommender Systems

With Traditional AL, users are asked to rate a set of preselected items. This is often
at the time of enrollment, though a preselected list may be presented to existing users
at a later date as well. It may be argued that since these items are selected by experts,
they capture essential properties for determining a user’s preferences. Conceptually
this may sound promising, but in practice this often leads towards selecting items
that best predict the preferences of only an average user. Since the idea of RS is
to provide personalized recommendations, selecting items to rate in a personalized
manner should readily make more sense.

ผลลัพธ์ (ไทย) 1:

23.3 เรียนรู้งานในระบบผู้แนะนำกับ AL ดั้งเดิม ผู้ใช้จะต้องจัดอันดับชุดสินค้าไว้ล่วงหน้า นี้มักจะเป็นเวลาลงทะเบียน แต่รายการไว้ล่วงหน้าอาจนำผู้ใช้ที่มีอยู่ในภายหลังเช่นกัน มันอาจจะโต้เถียงที่เนื่องจากรายการเหล่านี้ถูกเลือก โดยผู้เชี่ยวชาญจะรวบรวมคุณสมบัติที่จำเป็นสำหรับการกำหนดลักษณะของผู้ใช้ ทางแนวคิดนี้อาจเสียงสัญญา แต่ในทางปฏิบัตินี้มักไปทางเลือกสินค้าส่วนที่ทำนายลักษณะของเฉพาะผู้ใช้ที่เฉลี่ย เนื่องจากความคิดของ RSให้คำแนะนำส่วนบุคคล การเก็บคะแนนในการส่วนบุคคลลักษณะควรพร้อมเหมาะสมยิ่งขึ้น

ผลลัพธ์ (ไทย) 2:

23.3 การเรียนรู้ที่ใช้งานในระบบ Recommender ด้วยแผน AL ผู้ใช้จะถูกถามให้คะแนนชุดของรายการไว้ล่วงหน้า นี้มักจะเป็นช่วงเวลาของการลงทะเบียนแม้ว่ารายการไว้ล่วงหน้าอาจจะนำเสนอให้กับผู้ใช้ที่มีอยู่ในวันต่อมาได้เป็นอย่างดี มันอาจจะเป็นที่ถกเถียงกันอยู่ว่าตั้งแต่รายการเหล่านี้จะถูกเลือกโดยผู้เชี่ยวชาญที่พวกเขาจับคุณสมบัติที่จำเป็นสำหรับการตรวจสอบการตั้งค่าของผู้ใช้ แนวคิดนี้อาจจะมีแนวโน้ม แต่ในทางปฏิบัติมักจะนำไปสู่การเลือกรายการที่ดีที่สุดคาดการณ์การตั้งค่าเพียงผู้ใช้โดยเฉลี่ย ตั้งแต่ความคิดของอาร์เอสเป็นที่จะให้คำแนะนำส่วนบุคคล, การเลือกรายการให้คะแนนในส่วนบุคคลลักษณะที่ควรจะได้อย่างง่ายดายทำให้รู้สึกมากขึ้น

ผลลัพธ์ (ไทย) 3:

ฐานการเรียนรู้ในการใช้งานระบบแนะนำ

กับดั้งเดิมอัล ผู้ใช้ให้คะแนนชุดของรายการไว้ล่วงหน้า . นี้มักจะเป็น
ที่เวลาของการลงทะเบียน แม้ว่ารายการไว้ล่วงหน้าอาจจะนำเสนอให้ผู้ใช้ที่มีอยู่
ในภายหลังเช่นกัน มันอาจจะแย้งว่า เพราะสินค้าเหล่านี้จะถูกคัดเลือกโดยผู้เชี่ยวชาญ คุณสมบัติที่จำเป็นสำหรับการกำหนด
พวกเขาจับการตั้งค่าของผู้ใช้ แนวคิด
นี้อาจเสียงที่สดใส แต่ในการปฏิบัตินี้มักจะนำไปสู่การเลือกรายการ
ที่ดีที่สุดทำนายลักษณะของเพียง แต่ผู้ใช้โดยเฉลี่ย ตั้งแต่ความคิดของอาร์เอสคือ
ให้ข้อเสนอแนะส่วนตัว การเลือกรายการให้คะแนนในลักษณะส่วนบุคคล
ควรพร้อมสามัญสำนึกมากกว่า