In order to develop an active learn

In order to develop an active learning algorithm for aspect
model, one should consider the rating prediction method in
aspect model and then optimize it. In aspect model, the
unknown ratings are estimated according to equ. 1. This
equation consists of user latent parameters and item latent
parameters. After getting a new rating, these parameters are
retrained to improve them toward true latent parameters. Better
estimation of user and item parameters provides a more
accurate prediction for unknown ratings. According to [17]
item parameters have a normal distribution with mean and
variance that are computed as following :

ผลลัพธ์ (ไทย) 1:

การพัฒนาอัลกอริทึมการเรียนรู้การใช้งานในด้านรุ่น หนึ่งควรพิจารณาวิธีการทำนายคะแนนในด้านรูปแบบ และจากนั้น ปรับ ในด้านรูปแบบ การมีประเมินจัดอันดับไม่รู้จักตาม equ 1. นี้สมการประกอบด้วยพารามิเตอร์ผู้ใช้แฝงอยู่และสินค้าที่แฝงอยู่พารามิเตอร์ หลังจากได้รับการจัดอันดับใหม่ พารามิเตอร์เหล่านี้จะretrained การปรับปรุงเหล่านั้นไปยังพารามิเตอร์จริงแฝงอยู่ ดีกว่าประมาณพารามิเตอร์ผู้ใช้และสินค้าให้มากขึ้นการคาดเดาที่ถูกต้องสำหรับจัดอันดับที่ไม่รู้จัก ตาม [17]พารามิเตอร์สินค้ามีการแจกแจงปกติ ด้วยค่าเฉลี่ย และผลต่างที่คำนวณดังต่อไปนี้:

ผลลัพธ์ (ไทย) 2:

เพื่อที่จะพัฒนาอัลกอริทึมการเรียนรู้การใช้งานสำหรับด้านรูปแบบหนึ่งควรพิจารณาวิธีการทำนายคะแนนในรูปแบบด้านและจากนั้นเพิ่มประสิทธิภาพของมัน ในรูปแบบด้านการจัดอันดับที่ไม่รู้จักประมาณตาม equ 1. สมประกอบด้วยพารามิเตอร์แฝงของผู้ใช้และรายการที่แฝงพารามิเตอร์ หลังจากที่ได้รับการจัดอันดับใหม่พารามิเตอร์เหล่านี้ได้รับการฝึกอบรมเพื่อปรับปรุงพวกเขาไปสู่ความจริงที่ซ่อนเร้นพารามิเตอร์ ดีกว่าการประมาณค่าพารามิเตอร์ของผู้ใช้และรายการอื่น ๆ อีกมากมายให้การคาดการณ์ที่ถูกต้องสำหรับการให้คะแนนที่ไม่รู้จัก ตามที่ [17] พารามิเตอร์รายการมีการกระจายปกติที่มีค่าเฉลี่ยและความแปรปรวนที่มีการคำนวณดังต่อไปนี้:

ผลลัพธ์ (ไทย) 3:

เพื่อพัฒนาอัลกอริทึมการเรียนรู้แบบด้าน
, หนึ่งควรพิจารณาการประเมินโดยภาพรวมในรูปแบบและเพิ่มประสิทธิภาพด้าน
. ในแบบจำลองด้าน
อันดับที่ไม่รู้จักประมาณตาม equ . 1 . สมการนี้ประกอบด้วยตัวแปรแฝง
ผู้ใช้สินค้าและตัวแปรแฝง

หลังจากได้รับการประเมินใหม่ พารามิเตอร์เหล่านี้
ฝึกอบรมเพื่อปรับปรุงพวกเขาเกี่ยวกับตัวแปรแฝงจริง ดีกว่า
การประเมินของผู้ใช้และรายการพารามิเตอร์ให้มากขึ้น
ถูกต้องพยากรณ์คะแนนที่ไม่รู้จัก ตาม [ 17 ]
รายการพารามิเตอร์มีการแจกแจงแบบปกติที่มีค่าเฉลี่ยและความแปรปรวน
ที่คำนวณได้ดังนี้