یادگیری سریع پروفایل های کاربر

عنوان یادگیری سریع پروفایل های کاربر
نویسنده آلاهان، پلین، سرکار، س.
تاریخ انتشار: 2011-02
محل انتشار - اطلاع می دهد
موضوع شخصی سازی، یادگیری بیزی، نظریه اطلاعات، سیستم های توصیه
نوع دوره ای
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 0025-1909
شماره ثبت 760c1799-7e1d-4934-8fad-9a79ec243ae8
محل کتابخانه آموزش بخشی و توسعه حرفه ای
تاریخ 2011-02
یادداشت‌ها با توجه به محدودیت های کپی رایت، دسترسی به متن کامل این مقاله تنها از طریق اشتراک امکان پذیر است.
متن نمونه وب سایت ها معمولاً در هر صفحه ای که توسط کاربر بازدید می شود چندین پیوند ارائه می دهند. در حالی که برخی از این پیوندها به کاربران کمک می کنند تا به راحتی در سایت حرکت کنند، برخی دیگر معمولاً برای ارائه توصیه های هدفمند بر اساس نمایه کاربر موجود استفاده می شوند. هنگامی که نمایه کاربر در دسترس نباشد (یا ناکافی باشد)، سایت نمی تواند به طور موثر محصولات، تبلیغات و تبلیغات را هدف قرار دهد. در چنین شرایطی، سایت می تواند نمایه یک کاربر را هنگام عبور کاربر از سایت یاد بگیرد. طبیعتا هر چه سایت سریعتر نمایه کاربر را یاد بگیرد، سایت زودتر می تواند از شخصی سازی بهره مند شود. ما تکنیکی را توسعه می‌دهیم که سایت‌ها می‌توانند از آن برای یادگیری نمایه در سریع‌ترین زمان ممکن استفاده کنند. این تکنیک پیوندهایی را برای سایت‌ها شناسایی می‌کند که در دسترس قرار می‌گیرند که وقتی کاربر یکی از لینک‌های ارائه شده را انتخاب می‌کند، به نمایه‌ای آموزنده‌تر منجر می‌شود. آزمایش‌های انجام‌شده با استفاده از رویکرد ما نشان می‌دهد که یادگیری نمایه‌ها را پس از تعامل بسیار کمی با کاربر در مقایسه با رویکردهای معیار، به طور قابل‌توجهی بهتر می‌سازد. این رویکرد به طور موثر چندین ویژگی را به طور همزمان یاد می‌گیرد، می‌تواند کلاس‌هایی را به خوبی یاد بگیرد که دارای اولویت‌های بسیار منحرف هستند، و حتی زمانی که توزیع پروفایل‌های پیوند در یک سایت نسبتاً همگن باشد، کاملاً مؤثر باقی می‌ماند. این رویکرد به ویژه زمانی خوب عمل می کند که پیمایش کاربر تحت تأثیر آخرین صفحات بازدید شده در یک سایت باشد. در نهایت، ما نشان می‌دهیم که این رویکرد در برآورد پارامترهای احتمال مورد نیاز برای اجرای آن در برابر نویز قوی است.
DOI 10.1287/mnsc.1100.1266
Cilt 57
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

یادگیری سریع پروفایل های کاربر

نویسنده آلاهان، پلین، سرکار، س.
تاریخ انتشار 2011-02
محل انتشار - اطلاع می دهد
موضوع شخصی سازی، یادگیری بیزی، نظریه اطلاعات، سیستم های توصیه
نوع دوره ای
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 0025-1909
شماره ثبت 760c1799-7e1d-4934-8fad-9a79ec243ae8
محل کتابخانه آموزش بخشی و توسعه حرفه ای
تاریخ 2011-02
یادداشت‌ها با توجه به محدودیت های کپی رایت، دسترسی به متن کامل این مقاله تنها از طریق اشتراک امکان پذیر است.
متن نمونه وب سایت ها معمولاً در هر صفحه ای که توسط کاربر بازدید می شود چندین پیوند ارائه می دهند. در حالی که برخی از این پیوندها به کاربران کمک می کنند تا به راحتی در سایت حرکت کنند، برخی دیگر معمولاً برای ارائه توصیه های هدفمند بر اساس نمایه کاربر موجود استفاده می شوند. هنگامی که نمایه کاربر در دسترس نباشد (یا ناکافی باشد)، سایت نمی تواند به طور موثر محصولات، تبلیغات و تبلیغات را هدف قرار دهد. در چنین شرایطی، سایت می تواند نمایه یک کاربر را هنگام عبور کاربر از سایت یاد بگیرد. طبیعتا هر چه سایت سریعتر نمایه کاربر را یاد بگیرد، سایت زودتر می تواند از شخصی سازی بهره مند شود. ما تکنیکی را توسعه می‌دهیم که سایت‌ها می‌توانند از آن برای یادگیری نمایه در سریع‌ترین زمان ممکن استفاده کنند. این تکنیک پیوندهایی را برای سایت‌ها شناسایی می‌کند که در دسترس قرار می‌گیرند که وقتی کاربر یکی از لینک‌های ارائه شده را انتخاب می‌کند، به نمایه‌ای آموزنده‌تر منجر می‌شود. آزمایش‌های انجام‌شده با استفاده از رویکرد ما نشان می‌دهد که یادگیری نمایه‌ها را پس از تعامل بسیار کمی با کاربر در مقایسه با رویکردهای معیار، به طور قابل‌توجهی بهتر می‌سازد. این رویکرد به طور موثر چندین ویژگی را به طور همزمان یاد می‌گیرد، می‌تواند کلاس‌هایی را به خوبی یاد بگیرد که دارای اولویت‌های بسیار منحرف هستند، و حتی زمانی که توزیع پروفایل‌های پیوند در یک سایت نسبتاً همگن باشد، کاملاً مؤثر باقی می‌ماند. این رویکرد به ویژه زمانی خوب عمل می کند که پیمایش کاربر تحت تأثیر آخرین صفحات بازدید شده در یک سایت باشد. در نهایت، ما نشان می‌دهیم که این رویکرد در برآورد پارامترهای احتمال مورد نیاز برای اجرای آن در برابر نویز قوی است.
DOI 10.1287/mnsc.1100.1266
Cilt 57
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید