এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
Filtrage collaboratif multi-critères
Extension du filtrage collaboratif classique qui considère simultanément plusieurs dimensions d'évaluation pour prédire les préférences utilisateur et améliorer la précision des recommandations personnalisées.
Agrégation de préférences
Processus mathématique combinant les évaluations multiples d'un utilisateur sur différents critères pour produire un score global de préférence utilisé dans le classement des recommandations.
Matrice d'utilité multi-dimensionnelle
Structure de données représentant les évaluations des utilisateurs selon plusieurs axes de préférence, permettant une modélisation fine des goûts complexes au-delà du simple score de satisfaction.
Pondération de critères
Technique assignant des coefficients d'importance relatifs à chaque dimension d'évaluation pour refléter la hiérarchie des préférences individuelles et influencer l'algorithme de recommandation.
Fonction d'utilité multi-objet
Modèle mathématique transformant les évaluations sur plusieurs critères en une valeur unique d'utilité, intégrant les compromis et trade-offs entre différentes dimensions de préférence.
Espace de préférences
Représentation vectorielle multidimensionnelle où chaque axe correspond à un critère d'évaluation, permettant de visualiser et calculer les similarités entre profils utilisateur complexes.
Profil utilisateur vectoriel
Représentation mathématique composite des préférences d'un utilisateur sous forme de vecteur multidimensionnel, où chaque composante encode l'intensité de préférence pour un critère spécifique.
Recommandation Pareto-optimale
Ensemble d'items ne pouvant être améliorés sur un critère sans dégrader la performance sur au moins un autre critère, constituant les meilleures solutions dans un contexte multi-objectifs.
মাল্টি-ক্রাইটেরিয়া হাইব্রিড সিস্টেম
ব্যবহারকারীর পছন্দের একাধিক মাত্রা স্পষ্টভাবে পরিচালনা করার পাশাপাশি একাধিক সুপারিশ কৌশল (সহযোগিতামূলক, বিষয়বস্তু-ভিত্তিক, জ্ঞান-ভিত্তিক) একত্রিত করে এমন আর্কিটেকচার।
ক্রাইটেরিয়া সংবেদনশীলতা বিশ্লেষণ
প্রতিটি ক্রাইটেরিয়ার আপেক্ষিক গুরুত্বের পরিবর্তনের চূড়ান্ত সুপারিশের উপর প্রভাব মূল্যায়ন করার পদ্ধতি, যা সবচেয়ে প্রভাবশালী মাত্রা চিহ্নিত করতে সক্ষম করে।
পছন্দের স্বাভাবিকীকরণ
বিভিন্ন ক্রাইটেরিয়ার মূল্যায়ন স্কেলগুলিকে তুলনাযোগ্য এবং গাণিতিকভাবে পরিচালনা করার জন্য একটি সামঞ্জস্যপূর্ণ বহুমাত্রিক কাঠামোতে মানসম্মত করার প্রক্রিয়া।
সংযোজনমূলক পছন্দ মডেল
একটি পদ্ধতি যেখানে একটি আইটেমের সামগ্রিক উপযোগিতা প্রতিটি ক্রাইটেরিয়ার উপর আংশিক উপযোগিতার ওজনযুক্ত যোগফল হিসাবে গণনা করা হয়, পছন্দের মাত্রাগুলির স্বাধীনতা ধরে নিয়ে।
মাল্টি-ক্রাইটেরিয়া অন্তর্নিহিত প্রতিক্রিয়া
পর্যবেক্ষণকৃত আচরণ (ক্লিক, দেখার সময়, ক্রয়) থেকে সরাসরি স্পষ্ট মূল্যায়ন ছাড়াই একাধিক মাত্রায় ব্যবহারকারীর পছন্দ স্বয়ংক্রিয়ভাবে অনুমান করা।
ক্রাইটেরিয়া বিভাজন
ব্যক্তিগতকরণ পরিশোধন এবং ব্যবহারকারীর রুচির সূক্ষ্মতা ক্যাপচার করার জন্য পছন্দের মাত্রাগুলিকে আরও সূক্ষ্ম উপশ্রেণীতে বিভক্ত করার কৌশল।
পছন্দের ম্যাপিং
বহু-ক্রাইটেরিয়া স্থানে ব্যবহারকারী এবং আইটেমের মধ্যে সম্পর্কের গ্রাফিকাল ভিজ্যুয়ালাইজেশন, যা পছন্দের ক্লাস্টার এবং জটিল আচরণের প্যাটার্ন প্রকাশ করে।
পছন্দের উত্তেজনা
ব্যবহারকারীদের কাছ থেকে বিভিন্ন ক্রাইটেরিয়ার ওজন এবং আপেক্ষিক গুরুত্ব অর্জনের ইন্টারেক্টিভ প্রক্রিয়া, প্রায়শই তুলনামূলক প্রশ্ন বা বিশ্লেষণাত্মক পদ্ধতির মাধ্যমে।
যৌগিক স্কোরিং ফাংশন
প্রতিটি মানদণ্ডের পৃথক স্কোরগুলিকে ব্যক্তিগতকরণের প্যারামিটার এবং ডোমেইন সীমাবদ্ধতা সংযুক্ত করে প্রাসঙ্গিকতার একটি একক মেট্রিকে একত্রিত করার গাণিতিক অ্যালগরিদম।
পছন্দের বিভক্তি
একজন ব্যবহারকারীর বহু-মানদণ্ড পছন্দ এবং একটি প্রস্তাবিত আইটেমের বৈশিষ্ট্যগুলির মধ্যে ব্যবধান পরিমাপ করে, সামগ্রিক উপযুক্ততা অপ্টিমাইজ করতে ব্যবহৃত হয়।