Las noticias de última hora son difíciles como objetivo de un motor de recomendación de FQ, porque por definición son nuevas . Como tal, caen en la trampa de arranque en frío : dado que ningún usuario los ha visto / calificado / valorado, no hay señal que el CF pueda usar para recomendarlos a otros usuarios.
Con el tiempo, a medida que algunos usuarios comienzan a interactuar con ellos, podrían ingresar a la matriz de elementos de usuario y, por lo tanto, comenzar a recomendarse. Pero deben exponerse a los usuarios para esa interacción inicial. Se pueden tomar algunas contramedidas a nivel de aplicación para acortar el período de arranque en frío: se podría proporcionar una sección de la interfaz de usuario de la aplicación para mostrar las noticias por actualidad (por ejemplo, las 5 noticias más recientes) para que tengan alguna oportunidad de entrar en la recomendación grupo (algunas interacciones del usuario pueden ser todo lo que se necesita).
Algunas otras variantes también pueden proporcionar rutas de recomendación alternativas:
- Al entrenar una red neuronal, ¿es común tener un tamaño de paso diferente para los parámetros en cada capa y las compensaciones al realizar el Descenso de gradiente?
- ¿Cuál es un resumen del trabajo de Jordan Boyd-Graber sobre la Respuesta incremental interactiva a preguntas que le valió el Premio a la Demostración Excepcional de NIPS?
- ¿Cuál es una explicación intuitiva del modelo gráfico de la asignación de Dirichlet latente?
- ¿Es Bayes jerárquico básicamente una introducción de hiperparámetros en el modelo?
- ¿Cuál es la diferencia entre el aprendizaje automático en Python y R?
- Un sistema híbrido basado en CF / contenido puede usar un análisis de texto en las noticias para alimentar la sección CB y, por lo tanto, puede recomendar a los usuarios noticias que nadie ha visto todavía (de todos modos, las noticias son una buena área de aplicación para un motor CB, así que tendría más usos que solo para el arranque en frío).
- Si las noticias se clasifican (por ejemplo, por género o etiquetas), un recomendante basado en la popularidad puede elegir una noticia si su género / etiquetas se encuentran entre los más populares actualmente (esto también podría ayudar a alimentar las noticias de temas “candentes” a medida que llegan).