Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Recommendation Recovery with Adaptive Filter for Recommender Systems

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F21%3A00122770" target="_blank" >RIV/00216224:14330/21:00122770 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.5220/0010653600003058" target="_blank" >http://dx.doi.org/10.5220/0010653600003058</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.5220/0010653600003058" target="_blank" >10.5220/0010653600003058</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Recommendation Recovery with Adaptive Filter for Recommender Systems

  • Popis výsledku v původním jazyce

    Most recommender systems are focused on suggesting the optimal recommendations rather than finding a way to recover from a failed recommendation. Thus, when a failed recommendation appears several times, users may abandon to use a recommender system by considering that the system does not take her preference into account. One of the reasons is that when a user does not like a recommendation, this preference cannot be instantly captured by the recommender learning model, since the learning model cannot be constantly updated. Although this can be to some extent alleviated by critique-based algorithms, fine tuning the preference is not capable of fully expelling not-preferred items. This paper is therefore to propose a recommender recovery solution with an adaptive filter to deal with the failed recommendations while keeping the user engagement and, in turn, allow the recommender system to become a long-term application. It can also avoid the cost of constantly updating the recommender learning model.

  • Název v anglickém jazyce

    Recommendation Recovery with Adaptive Filter for Recommender Systems

  • Popis výsledku anglicky

    Most recommender systems are focused on suggesting the optimal recommendations rather than finding a way to recover from a failed recommendation. Thus, when a failed recommendation appears several times, users may abandon to use a recommender system by considering that the system does not take her preference into account. One of the reasons is that when a user does not like a recommendation, this preference cannot be instantly captured by the recommender learning model, since the learning model cannot be constantly updated. Although this can be to some extent alleviated by critique-based algorithms, fine tuning the preference is not capable of fully expelling not-preferred items. This paper is therefore to propose a recommender recovery solution with an adaptive filter to deal with the failed recommendations while keeping the user engagement and, in turn, allow the recommender system to become a long-term application. It can also avoid the cost of constantly updating the recommender learning model.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2021

  • 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 17th International Conference on Web Information Systems and Technologies - WEBIST

  • ISBN

    9789897585364

  • ISSN

    2184-3252

  • e-ISSN

  • Počet stran výsledku

    8

  • Strana od-do

    283-290

  • Název nakladatele

    SciTePress/INSTICC

  • Místo vydání

    Setúbal, Portugal

  • Místo konání akce

    Setúbal, Portugal

  • Datum konání akce

    1. 1. 2021

  • Typ akce podle státní příslušnosti

    CST - Celostátní akce

  • Kód UT WoS článku

    000795868100028