بررسی روش یادگیری انتقالی جهت پیش‌بینی پیوند

پیش‌بینی پیوند در بسیاری از برنامه‌های کاربردی مانند سیستم‌های توصیه[1] یک روش کلیدی است، جایی که پیوندهای بالقوه بین کاربران و موارد[2] نیاز به پیش‌بینی وجود دارد. چالش در پیش‌بینی پیوند مسئله پراکندگی داده[3] است. که در در این مقاله، ما به این مسئله می‌پردازیم با در نظر گرفتن چندین وظایف پیش‌بینی پیوند ناهمگن مانند پیش‌بینی پیوندهای بین کاربران و انواع مختلف موارد از جمله کتاب، فیلم و آهنگ، مسئله پیش‌بینی پیوند جمعی[4] (CLP) که به آنها اشاره می‌کنیم. ما برای حل مسئله CLP چارچوبی غیرپارامتری بیزی[5] که امکان انتقال دانش به صورت سازگار را در طول انجام وظایف ناهمگن شباهت‌های بین وظایف را می‌دهد پیشنهاد گردید. شباهت بین-کارها[6] را به صورت خودکار یاد بگیرد. ما همچنین توابع پیوند را برای وظایف مختلف برای اصلاح سوگیری و انحراف آنها از توزیع در داده‌های پیوند معرفی می‌کنیم.