دیدگاه 2020 در مورد "رویکرد یادگیری کلیشه ای تعمیم یافته و نمونه سازی آن در مدل سازی اعتماد"
| عنوان | دیدگاه 2020 در مورد "رویکرد یادگیری کلیشه ای تعمیم یافته و نمونه سازی آن در مدل سازی اعتماد" |
|---|---|
| نویسنده | نیش، اچ، ژانگ، جی.، شنسوی، مورات |
| تاریخ انتشار: | 2020-03 |
| محل انتشار | - الزویر |
| موضوع | مدیریت داده، یادگیری چند لحظه ای، یادگیری با داده های محدود، سیستم های توصیه کننده، مدل سازی کاربر، پروفایل کاربری، پروفایل کاربری |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 1567-4223 |
| شماره ثبت | e100011e-87d4-4fc9-b135-0a71370fe95f |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2020-03 |
| یادداشتها | بنیاد ملی علوم طبیعی چین (NSFC) |
| متن نمونه | با توجه به افزایش سریع دادههای کاربر و توسعه تکنیکهای یادگیری ماشین، مدلسازی کاربر عمیقاً مورد بررسی قرار گرفته و توسط دانشگاه و صنعت مورد بهرهبرداری قرار گرفته است. با تسهیل تجربه کاربران در پلتفرم های آنلاین و حمایت از تصمیم گیری سازمان های تجاری، تأثیرات برجسته ای در برنامه های کاربردی تجارت الکترونیکی دارد. در بین تمامی تکنیک ها و کاربردها، سیستم های پروفایل کاربری و توصیه کننده دو نمونه معرف و موثر هستند که توجه روزافزونی را نیز به خود جلب کرده اند. با توجه به کاربردهای گسترده آن، محققان و دست اندرکاران باید مدل سازی کاربر را از دو منظر بهبود بخشند: (1) باید تلاش بیشتری برای به دست آوردن داده های کاربر بیشتر از طریق تکنیک هایی مانند دستگاه های سنجش و توسعه روش های مؤثرتری برای مدیریت داده های پیچیده انجام شود. و (2) بهبود توانایی یادگیری از تعداد محدودی از نمونه های داده (به عنوان مثال، یادگیری چند شات) به موضوعی داغ برای محققان تبدیل شده است. |
| DOI | 10.1016/j.elerap.2020.100955 |
| Cilt | 40 |
