Information Retrieval,Human-Computer Interaction,Machine Learning,بازیابی اطلاعات , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات
Submitted 10 September, 2024; originally announced September 2024. , Comments: Presented to the Dutch-Belgian Workshop on Recommender Systems 2023 (14-15 December, 2023 - Antwerp, Belgium)
توضیحات به فارسی
ارسال شده 10 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: ارائه شده به کارگاه هلندی-بلژیایی در مورد سیستم های پیشنهادی 2023 (14-15 دسامبر ، 2023-آنتورپ ، بلژیک)
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
Recommender systems have become integral to our digital experiences, from online shopping to streaming platforms. Still, the rationale behind their suggestions often remains opaque to users. While some systems employ a graph-based approach, offering inherent explainability through paths associating recommended items and seed items, non-experts could not easily understand these explanations. A popular alternative is to convert graph-based explanations into textual ones using a template and an algorithm, which we denote here as ''template-based'' explanations. Yet, these can sometimes come across as impersonal or uninspiring. A novel method would be to employ large language models (LLMs) for this purpose, which we denote as ''LLM-based''. To assess the effectiveness of LLMs in generating more resonant explanations, we conducted a pilot study with 25 participants. They were presented with three explanations: (1) traditional template-based, (2) LLM-based rephrasing of the template output, and (3) purely LLM-based explanations derived from the graph-based explanations. Although subject to high variance, preliminary findings suggest that LLM-based explanations may provide a richer and more engaging user experience, further aligning with user expectations. This study sheds light on the potential limitations of current explanation methods and offers promising directions for leveraging large language models to improve user satisfaction and trust in recommender systems.
چکیده به فارسی (ترجمه ماشینی)
سیستم های پیشنهادی از خرید آنلاین گرفته تا سیستم عامل های جریان ، در تجربیات دیجیتالی ما یکپارچه شده اند.با این وجود ، دلیل اصلی پیشنهادات آنها اغلب برای کاربران مات است.در حالی که برخی از سیستم ها از یک رویکرد مبتنی بر نمودار استفاده می کنند ، توضیح ذاتی را از طریق مسیرهایی که موارد توصیه شده و موارد بذر را در بر می گیرند ، ارائه می دهند ، غیر متخصصان نمی توانند به راحتی این توضیحات را درک کنند.یک گزینه جایگزین محبوب این است که توضیحات مبتنی بر نمودار را با استفاده از یک الگو و یک الگوریتم تبدیل کنید ، که ما در اینجا توضیحات "الگوی مبتنی بر" را بیان می کنیم.با این حال ، این موارد گاهی اوقات می توانند به عنوان غیر شخصی یا غیرقابل تحمل روبرو شوند.یک روش جدید استفاده از مدل های بزرگ زبان (LLM) برای این منظور است که ما آن را "" مبتنی بر LLM "نشان می دهیم.برای ارزیابی اثربخشی LLMS در تولید توضیحات رزونانس بیشتر ، ما یک مطالعه مقدماتی با 25 شرکت کننده انجام دادیم.آنها با سه توضیح ارائه شده اند: (1) تنظیم مجدد مبتنی بر الگوی سنتی ، (2) مبتنی بر LLM از خروجی الگو ، و (3) توضیحات مبتنی بر LLM که از توضیحات مبتنی بر نمودار گرفته شده است.اگرچه مشمول واریانس بالا ، یافته های اولیه نشان می دهد که توضیحات مبتنی بر LLM ممکن است تجربه کاربر غنی تر و جذاب تری را فراهم کند ، و بیشتر با انتظارات کاربر هماهنگ باشد.این مطالعه محدودیت های احتمالی روشهای توضیح فعلی را روشن می کند و دستورالعمل های امیدوار کننده ای را برای استفاده از مدلهای بزرگ زبان برای بهبود رضایت کاربر و اعتماد به سیستم های پیشنهادی ارائه می دهد.
📚 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
