Key points are not available for this paper at this time.
लोग अक्सर नए खाने के अनुभवों की खोज के लिए दूसरों से रेस्तरां अनुशंसाएँ माँगते हैं। यह रेस्तरां अनुशंसा को अनुशंसा प्रणालियों के लिए एक रोमांचक परिदृश्य बनाता है और इस क्षेत्र में महत्वपूर्ण शोध को जन्म दिया है। हालाँकि, अधिकांश प्रणाली मानव की तरह अनुशंसा माँगने पर बहुत अलग व्यवहार करती हैं। इस पत्र का लक्ष्य इस अंतर को कम करना शुरू करना है। विशेष रूप से, मानव जल्दी से प्राथमिकताएँ स्थापित कर सकते हैं जब उनसे किसी अज्ञात व्यक्ति के लिए अनुशंसा करने के लिए कहा जाता है। हम एक ऑनलाइन शिक्षण सेटिंग में इस कोल्ड-स्टार्ट अनुशंसा समस्या को संबोधित करते हैं। हम एक प्राथमिकता स्थिरता ढांचे का विकास करते हैं ताकि यह पहचान सकें कि नए उपयोगकर्ता से कौन से प्रश्न पूछने हैं ताकि उनकी प्राथमिकताओं को तुरंत सीखा जा सके। संभावना आधारित लेटेंट फैक्टर मॉडल का उपयोग करके अनुशंसा स्थान में छिपी संरचना का लाभ उठाते हुए, हमारे प्रयोग सिंथेटिक और वास्तविक दुनिया के डेटा के साथ विभिन्न प्रकार के फ़ीडबैक और प्रश्न चयन रणनीतियों की तुलना करते हैं। हम पाते हैं कि हमारा ढांचा ऑनलाइन उपयोगकर्ता फीडबैक का बहुत प्रभावी ढंग से उपयोग कर सकता है, केवल 2 प्रश्न पूछने के बाद स्थैतिक मॉडल की तुलना में 25% बेहतर व्यक्तिगत अनुशंसाएँ प्रदान करता है। हमारे परिणाम ऑफ़लाइन एम्बेडिंग से शुरू होने के नाटकीय लाभों को प्रदर्शित करते हैं, और इस सेटिंग में बैंडिट-आधारित अन्वेषण-शोषण रणनीतियों के लाभ को हाइलाइट करते हैं।
Christakopoulou et al. (सोम,) ने इस प्रश्न का अध्ययन किया।