تا به حال برایتان پیش آمده که یک پیشنهاد از هوش مصنوعی دریافت کنید و با خود بگویید: «آیا واقعاً این گزینه برای من مناسب است؟» اعتماد کاربر به سیستمهای توصیهگر، کلید موفقیت آنهاست.
محققان به تازگی مدل جدیدی به نام Restricted Bernoulli Matrix Factorization (ResBeMF) را معرفی کردهاند که هدفش بهبود عملکرد سیستمهای توصیهگر بر پایه یادگیری ماشین است. این مدل با در نظر گرفتن توزیع احتمالاتی برای امتیازدهی، سعی میکند تعادلی دقیق بین «دقت پیشبینی» و «پوشش پیشنهادات» ایجاد کند تا توصیههایی قابلاعتمادتر و هوشمندانهتر به کاربران ارائه شود.
این تحقیق گام مهمی در جهت افزایش شفافیت و کارایی در الگوریتمهای پیشنهاددهنده است.
گر
منبع: arXiv AI