ترجمه فارسی مقاله CSRec: بازاندیشی توصیه متوالی از دیدگاه علّی

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 CSRec: Rethinking Sequential Recommendation from A Causal Perspective
عنوان مقاله به فارسی CSRec: بازاندیشی توصیه متوالی از دیدگاه علّی
نویسندگان Xiaoyu Liu, Jiaxin Yuan, Yuhang Zhou, Jingling Li, Furong Huang, Wei Ai
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Information Retrieval,Machine Learning,بازیابی اطلاعات , یادگیری ماشین ,
توضیحات Submitted 23 August, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 23 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
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

The essence of sequential recommender systems (RecSys) lies in understanding how users make decisions. Most existing approaches frame the task as sequential prediction based on users' historical purchase records. While effective in capturing users' natural preferences, this formulation falls short in accurately modeling actual recommendation scenarios, particularly in accounting for how unsuccessful recommendations influence future purchases. Furthermore, the impact of the RecSys itself on users' decisions has not been appropriately isolated and quantitatively analyzed. To address these challenges, we propose a novel formulation of sequential recommendation, termed Causal Sequential Recommendation (CSRec). Instead of predicting the next item in the sequence, CSRec aims to predict the probability of a recommended item's acceptance within a sequential context and backtrack how current decisions are made. Critically, CSRec facilitates the isolation of various factors that affect users' final decisions, especially the influence of the recommender system itself, thereby opening new avenues for the design of recommender systems. CSRec can be seamlessly integrated into existing methodologies. Experimental evaluations on both synthetic and real-world datasets demonstrate that the proposed implementation significantly improves upon state-of-the-art baselines.

چکیده به فارسی (ترجمه ماشینی)

جوهر سیستم های پیشنهادی متوالی (Recsys) در درک نحوه تصمیم گیری کاربران نهفته است.بیشتر رویکردهای موجود وظیفه را به عنوان پیش بینی متوالی بر اساس سوابق خرید تاریخی کاربران قاب می کنند.در حالی که در ضبط ترجیحات طبیعی کاربران مؤثر است ، این فرمول در مدل سازی دقیق سناریوهای توصیه واقعی ، به ویژه در حسابداری برای چگونگی تأثیر توصیه های ناموفق در خریدهای آینده ، کوتاه است.علاوه بر این ، تأثیر خود Recsys در تصمیمات کاربران به طور مناسب جدا نشده و کمی مورد تجزیه و تحلیل قرار نگرفته است.برای پرداختن به این چالش ها ، ما یک فرمول جدید از توصیه های متوالی ، توصیه پی در پی علیت (CSREC) را پیشنهاد می کنیم.CSREC به جای پیش بینی مورد بعدی در دنباله ، قصد دارد احتمال پذیرش یک مورد توصیه شده را در یک زمینه پی در پی پیش بینی کند و نحوه تصمیم گیری های فعلی را پشت سر بگذارد.از نظر انتقادی ، CSREC جداسازی عوامل مختلفی را که بر تصمیمات نهایی کاربران تأثیر می گذارد ، به ویژه تأثیر سیستم توصیه کننده ، تسهیل می کند و از این طریق راه های جدیدی را برای طراحی سیستم های پیشنهادی باز می کند.CSREC می تواند یکپارچه در روشهای موجود ادغام شود.ارزیابی های تجربی در هر دو مجموعه داده مصنوعی و در دنیای واقعی نشان می دهد که اجرای پیشنهادی به طور قابل توجهی در خطوط پیشرفته پیشرفته بهبود می یابد.

📚 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.