ترجمه فارسی مقاله یادگیری تقویت کننده سلسله مراتبی برای انتزاع زمانی توصیه لیست

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation
عنوان مقاله به فارسی یادگیری تقویت کننده سلسله مراتبی برای انتزاع زمانی توصیه لیست
نویسندگان Luo Ji, Gao Liu, Mingyang Yin, Hongxia Yang, Jingren Zhou
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Information Retrieval,Artificial Intelligence,Machine Learning,بازیابی اطلاعات , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 11 September, 2024; originally announced September 2024. , Comments: 18 pages, 4 figures
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 18 صفحه ، 4 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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.

🎯 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

Modern listwise recommendation systems need to consider both long-term user perceptions and short-term interest shifts. Reinforcement learning can be applied on recommendation to study such a problem but is also subject to large search space, sparse user feedback and long interactive latency. Motivated by recent progress in hierarchical reinforcement learning, we propose a novel framework called mccHRL to provide different levels of temporal abstraction on listwise recommendation. Within the hierarchical framework, the high-level agent studies the evolution of user perception, while the low-level agent produces the item selection policy by modeling the process as a sequential decision-making problem. We argue that such framework has a well-defined decomposition of the outra-session context and the intra-session context, which are encoded by the high-level and low-level agents, respectively. To verify this argument, we implement both a simulator-based environment and an industrial dataset-based experiment. Results observe significant performance improvement by our method, compared with several well-known baselines. Data and codes have been made public.

چکیده به فارسی (ترجمه ماشینی)

سیستم های توصیه شده در لیست مدرن باید درک کاربر بلند مدت و تغییر علاقه کوتاه مدت را در نظر بگیرند.یادگیری تقویت می تواند به توصیه ای برای مطالعه چنین مشکلی اعمال شود ، اما همچنین در معرض فضای جستجوی بزرگ ، بازخورد کاربر پراکنده و تأخیر تعاملی طولانی قرار دارد.با انگیزه از پیشرفت اخیر در یادگیری تقویت سلسله مراتبی ، ما یک چارچوب جدید به نام MCCHRL را پیشنهاد می کنیم تا سطوح مختلف انتزاع زمانی را در توصیه های لیست به دست آورد.در چارچوب سلسله مراتبی ، عامل سطح بالا تکامل ادراک کاربر را مطالعه می کند ، در حالی که عامل سطح پایین با مدل سازی فرایند به عنوان یک مشکل تصمیم گیری پی در پی ، سیاست انتخاب مورد را تولید می کند.ما استدلال می کنیم که چنین چارچوبی از تجزیه و تحلیل کاملاً تعریف شده از زمینه جلسات و زمینه های داخل جلسه برخوردار است که به ترتیب توسط عوامل سطح بالا و سطح پایین رمزگذاری می شوند.برای تأیید این استدلال ، ما هم یک محیط مبتنی بر شبیه ساز و هم یک آزمایش مبتنی بر مجموعه داده های صنعتی را پیاده سازی می کنیم.نتایج در مقایسه با چندین پایه مشهور ، بهبود عملکرد قابل توجهی را مشاهده می کنند.داده ها و کدها علنی شده اند.

📚 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.

🎯 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.