Monotonization of User Preferences
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F15%3A10319578" target="_blank" >RIV/00216208:11320/15:10319578 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-26154-6_3" target="_blank" >http://dx.doi.org/10.1007/978-3-319-26154-6_3</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-26154-6_3" target="_blank" >10.1007/978-3-319-26154-6_3</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Monotonization of User Preferences
Popis výsledku v původním jazyce
We consider the problem of user-item recommendation as a multiuser instance ranking learning. A user-item preference is monotonizable if the learning can restrict to monotone models. A preference model is monotone if it is a monotone composition of rankings on domains of explanatory attributes (possibly describing user behavior, item content but also data aggregations). Target preference ordering of users on items is given by a preference indicator (e.g. purchase, rating). To increase intuitiveness, wefocus on a special class of monotone models which can be expressed as rules of generalized annotated programs. In this paper we focus on learning the (partial) order of vectors of rankings of user-item attribute values. We measure degree of agreement ofcomparable vec-tors with ordering given by preference indicators for each user. We are interested in distribution of this degree across users. We provide sets of experiments on user behavior data from an e-shop and on a subset of the sema
Název v anglickém jazyce
Monotonization of User Preferences
Popis výsledku anglicky
We consider the problem of user-item recommendation as a multiuser instance ranking learning. A user-item preference is monotonizable if the learning can restrict to monotone models. A preference model is monotone if it is a monotone composition of rankings on domains of explanatory attributes (possibly describing user behavior, item content but also data aggregations). Target preference ordering of users on items is given by a preference indicator (e.g. purchase, rating). To increase intuitiveness, wefocus on a special class of monotone models which can be expressed as rules of generalized annotated programs. In this paper we focus on learning the (partial) order of vectors of rankings of user-item attribute values. We measure degree of agreement ofcomparable vec-tors with ordering given by preference indicators for each user. We are interested in distribution of this degree across users. We provide sets of experiments on user behavior data from an e-shop and on a subset of the sema
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA15-19877S" target="_blank" >GA15-19877S: Automatické modelování znalostí a plánů pro autonomní roboty</a><br>
Návaznosti
S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2015
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 11th International Conference FQAS 2015
ISBN
978-3-319-26154-6
ISSN
2194-5357
e-ISSN
—
Počet stran výsledku
12
Strana od-do
29-40
Název nakladatele
Springer
Místo vydání
Berlin
Místo konání akce
Krakov
Datum konání akce
26. 10. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—