Key points are not available for this paper at this time.
Empfehlungssysteme sind ein effektives Werkzeug, um aus einer überwältigenden Anzahl verfügbarer Artikel interessante Elemente zu finden. Collaborative Filtering (CF), die bekannteste Technologie für Empfehlungssysteme, basiert auf der Idee, dass eine Gruppe gleichgesinnter Benutzer sich gegenseitig dabei helfen kann, nützliche Informationen zu finden. Ein neuer Benutzer stellt eine Herausforderung für CF-Empfehlungssysteme dar, da das System keine Informationen über die Präferenzen des neuen Benutzers hat und daher keine personalisierten Empfehlungen geben kann. Eine Strategie zur Erfassung der Präferenzen neuer Benutzer muss sicherstellen, dass der Benutzer a) einen langwierigen Anmeldeprozess nicht abbricht und b) das Interesse an einer Rückkehr zur Seite aufgrund der geringen Qualität der anfänglichen Empfehlungen nicht verliert. Wir erweitern die Arbeit von 23 in diesem Papier, indem wir schrittweise eine Reihe von informationstheoretischen Strategien für das Problem neuer Benutzer entwickeln. Wir schlagen ein Offline-Simulationsframework vor und bewerten die Strategien durch umfangreiche Offline-Simulationen und ein Online-Experiment mit realen Benutzern eines aktiven Empfehlungssystems.
Rashid et al. (Sat.) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: