Submitted 9 September, 2024; originally announced September 2024. , Comments: Accepted for presentation at the 18th ACM Conference on Recommender Systems in the Late-Breaking Results Track
توضیحات به فارسی
ارسال شده در 9 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: برای ارائه در هجدهمین کنفرانس ACM در مورد سیستم های پیشنهادی در آهنگ نتایج اواخر پذیرش پذیرفته شده است
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
The recommender systems algorithm selection problem for ranking prediction on implicit feedback datasets is under-explored. Traditional approaches in recommender systems algorithm selection focus predominantly on rating prediction on explicit feedback datasets, leaving a research gap for ranking prediction on implicit feedback datasets. Algorithm selection is a critical challenge for nearly every practitioner in recommender systems. In this work, we take the first steps toward addressing this research gap. We evaluate the NDCG@10 of 24 recommender systems algorithms, each with two hyperparameter configurations, on 72 recommender systems datasets. We train four optimized machine-learning meta-models and one automated machine-learning meta-model with three different settings on the resulting meta-dataset. Our results show that the predictions of all tested meta-models exhibit a median Spearman correlation ranging from 0.857 to 0.918 with the ground truth. We show that the median Spearman correlation between meta-model predictions and the ground truth increases by an average of 0.124 when the meta-model is optimized to predict the ranking of algorithms instead of their performance. Furthermore, in terms of predicting the best algorithm for an unknown dataset, we demonstrate that the best optimized traditional meta-model, e.g., XGBoost, achieves a recall of 48.6%, outperforming the best tested automated machine learning meta-model, e.g., AutoGluon, which achieves a recall of 47.2%.
چکیده به فارسی (ترجمه ماشینی)
مشکل انتخاب الگوریتم سیستم های پیشنهادی برای رتبه بندی پیش بینی در مجموعه داده های بازخورد ضمنی مورد استفاده قرار نمی گیرد.رویکردهای سنتی در انتخاب الگوریتم سیستم های پیشنهادی عمدتاً بر پیش بینی رتبه بندی در مجموعه داده های بازخورد صریح متمرکز شده و شکاف تحقیقاتی را برای رتبه بندی پیش بینی در مجموعه داده های بازخورد ضمنی باقی می گذارد.انتخاب الگوریتم تقریباً برای هر پزشک در سیستم های پیشنهادی یک چالش مهم است.در این کار ، ما اولین قدم ها را برای پرداختن به این شکاف تحقیق انجام می دهیم.ما NDCG@10 از 24 الگوریتم سیستم پیشنهادی را که هر کدام دارای دو تنظیمات هایپرپارامتر هستند ، در 72 مجموعه داده سیستم پیشنهادی ارزیابی می کنیم.ما چهار مدل متا مدل یادگیری بهینه شده و یک مدل متا مدل یادگیری ماشین را با سه تنظیم مختلف در داده های متا در نتیجه آموزش می دهیم.نتایج ما نشان می دهد که پیش بینی های همه متا مدلهای آزمایش شده دارای یک همبستگی میانه اسپیرمن از 0.857 تا 0.918 با حقیقت زمین هستند.ما نشان می دهیم که همبستگی میانه اسپیرمن بین پیش بینی های متا مدل و حقیقت زمین به طور متوسط 0.124 افزایش می یابد که متا مدل بهینه شده است تا به جای عملکرد آنها رتبه بندی الگوریتم ها را پیش بینی کند.علاوه بر این ، از نظر پیش بینی بهترین الگوریتم برای یک مجموعه داده ناشناخته ، ما نشان می دهیم که بهترین مدل متا مدل سنتی بهینه ، به عنوان مثال ، XGBOOST ، به یادآوری 48.6 ٪ می رسد ، از بهترین استفاده از بهترین یادگیری ماشین آلات متا مدل ، به عنوان مثال ، Autogluon ، Autogluon، که به یادآوری 47.2 ٪ می رسد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
