Automatic preference learning on numeric and multi-valued categorical attributes

یکی از وظایف چالش برانگیز در توسعه سیستم های توصیه شده، طراحی تکنیک هایی است که می تواند اولویت های کاربران را از طریق مشاهده اقدامات خود تعیین کند. این ترجیحات برای به دست آوردن دقت رضایت بخش در توصیه ها ضروری است. یادگیری ترجیحات به ویژه هنگامی دشوار است که صفات مختلف (عددی یا زبانی) در مشکالت مداخله می کنند و حتی بیشتر زمانی که چندین ارزش ممکن را می گیرند. این مقاله روشی را برای یادگیری ترجیحات کاربر در خصوص ویژگی های زبانی عددی و چند ارزشی از طریق تجزیه و تحلیل انتخاب کاربر ارائه می دهد. الگوریتم یادگیری با داده های واقعی در رستوران ها تست شده است و عملکرد بسیار خوبی را نشان می دهد.