Resumen

Entrenamiento de modelos para predecir los objetivos de clics y pedidos al mismo tiempo. Para mejorar la satisfacción del usuario y la eficacia del negocio, el aprendizaje multitarea es uno de los métodos más importantes en el comercio electrónico. Algunas investigaciones existentes modelan la representación del usuario basándose en la secuencia histórica de su comportamiento para captar sus intereses. A menudo, los intereses del usuario pueden cambiar con respecto a sus rutinas pasadas. Sin embargo, la atención multiperspectiva tiene un amplio horizonte, que abarca diferentes características del razonamiento humano, las emociones, la percepción, la atención y la memoria. En este artículo, intentamos introducir la atención multiperspectiva y el comportamiento secuencial en el aprendizaje multitarea. Nuestro método propuesto ofrece una mejor comprensión del interés y la decisión del usuario. Para lograr un reparto de parámetros más flexible y mantener la ventaja de las características especiales de cada tarea, mejoramos el mecanismo de atención en la vista del experto interactivo. Hasta donde sabemos, proponemos por primera vez el modo de interacción implícita, el modo de interacción explícita dura, el modo de interacción explícita suave y el modo de fusión de datos en el aprendizaje multitarea. Realizamos experimentos con datos públicos y datos médicos de laboratorio. Los resultados muestran que nuestro modelo consigue de forma consistente mejoras notables respecto al método de última generación.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:aprendizaje multitarea, interés del usuario, atención de la perspectiva, mayor satisfacción del usuario, modo de interacción suave, modo de fusión de datos, secuencia de comportamiento histórico, visión del experto, ventaja de las características especiales, modo de interacción dura
• Keywords:multitask learning, user interest, perspective attention, better user satisfaction, soft interaction mode, data fusion mode, historical behaviour sequence, view of expert, special features advantage, hard interaction mode