.png){kind=icon}
返回
ACTER: Activity Customization through Timely and Explainable Recommendations
.png){kind=icon}
OA
AI
DOI：10.1016/j.is.2025.102666.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传感器的普及，包括可穿戴设备，显著增加了生成数据的量，为个性化推荐开辟了新的机会。本文提出ACTER（通过及时和可解释的推荐实现活动定制），一个集成框架，用于提供情境化、及时、可解释和用户特定的推荐。借助序列规则挖掘算法ALBA（AgedLookBackApriori），我们提取完全有序的序列规则，以揭示时序数据中的隐藏洞察，最终改进与选定应用领域相关的预定义目标参数。应用老化机制以确保推荐保持相关性，赋予新信息更大权重，同时仍考虑旧数据。此外，我们的框架利用历史数据推断个性化的情境信息，使我们能够更动态和明确地调整预定义情境——通常在设计阶段设定。ACTER评估的实验结果证实，将历史数据中挖掘的特定情境整合到推荐系统中，能够产生更准确的建议。
Keyword:
Explainable recommendations
Contextual rules
Context inference
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
3.4
论文数:
119
被引数:
0
机构
暂无机构信息
引用论文
Wisdom of the contexts: active ensemble learning for contextual anomaly detection情境智慧：面向情境异常检测的主动集成学习
OAAI
OAAI分享收藏分享收藏分享收藏The role of explainability in creating trustworthy artificial intelligence for health care: A comprehensive survey of the terminology, design choices, and evaluation strategies可解释性在为医疗保健创造值得信赖的人工智能中的作用: 对术语，设计选择和评估策略的全面调查OAAI
OAAI分享收藏Patient-Generated Health Data Integration and Advanced Analytics for Diabetes Management: The AID-GM Platform.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容