Efficient optimization of multiple recommendation quality factors according to individual user tendencies

در این کار، ما یک طرح جدید بهینه سازی پارامتری را پیشنهاد می کنیم که به منظور مقابله با این چالش ها مجددا لیست توصیه های بهینه سازی شده با دقت را ثبت می کند. روش ما هر دو قادر به در نظر گرفتن اهداف بهینه سازی چندگانه در همان زمان است و طراحی شده برای در نظر گرفتن تمایل کاربر فردی در مورد عوامل مختلف کیفیت مانند تنوع است. در مقایسه با کار قبلی، این روش به الگوریتم رتبه بندی اقلام خاص محدود نمی شود و طراحی کلی آن اجازه می دهد که الگوریتم بر اساس الزامات حوزه کاربردی پارامتر شود. ارزیابی تجربی با مجموعه داده های مختلف نشان می دهد که تعادل عوامل کیفیت با روش ما می تواند با نابودی یا ناکامی در دقت رتبه بندی انجام شود. با توجه به این که روش ما می تواند در حوزه های مختلف و در محدودیت زمان محدودی از توصیه آنلاین به کار رود، کار ما فرصت های جدیدی را برای طراحی رویکردهای جدید شخصی سازی ظریف تر در کاربردهای عملی باز می کند.