Video Experimental Relacionado
Updated: Sep 9, 2025

Appetitive Associative Olfactory Learning in Drosophila Larvae
Published on: February 18, 2013
Más allá del sesgo de una sola perspectiva: la fusión de preferencias personalizadas y comunes para el aprendizaje
JiaXin Wu1, Guangxiong Chen1, Chenglong Pang2
1Department of Data Science and Business Intelligence, School of Management, Guangdong University of Technology, Guangzhou, China.
Este estudio presenta P&CGCN, un nuevo sistema de recomendación que fusiona de manera única las preferencias personalizadas y comunes de los usuarios. Mejora la precisión al equilibrar de manera adaptativa estas preferencias, superando a los modelos existentes.
Área de la Ciencia:
- Inteligencia artificial
- Ciencias de la computación
- Ciencia de los datos
Sus antecedentes:
- Los sistemas de recomendación basados en la Red Convolucional de Gráficos (GCN, por sus siglas en inglés) a menudo muestran sesgo hacia elementos populares, descuidando las preferencias personalizadas del usuario.
- Los métodos existentes que suprimen la información de artículos populares pueden pasar por alto valiosas señales de preferencia común, lo que lleva a otra forma de sesgo.
Objetivo del estudio:
- Proponer P&CGCN, un marco unificado que fusione de manera colaborativa las preferencias personalizadas y comunes de los usuarios en los sistemas de recomendación.
- Abordar las limitaciones de los modelos GCN existentes evitando sesgos de una sola perspectiva.
Principales métodos:
- Desarrolló un marco unificado con agregación intra-capa y combinación inter-capa.
- Se introdujo el grado de P&C para la cuantificación adaptativa de las preferencias personales y comunes dentro de las capas.
- Profundidad de P&C diseñada para priorizar las señales de preferencia personalizadas y profundas a través de capas.
Principales resultados:
- P&CGCN demuestra un rendimiento y una eficiencia superiores a los métodos existentes en cuatro conjuntos de datos del mundo real.
- Logró aproximadamente un 20% de mejora de rendimiento sobre LightGCN en conjuntos de datos escasos y a gran escala.
- Mostró al menos una aceleración de dos veces en la eficiencia del entrenamiento.
Conclusiones:
- P&CGCN equilibra efectivamente las preferencias personalizadas y comunes, lo que lleva a recomendaciones más precisas y eficientes.
- Los mecanismos propuestos de grado y profundidad de P&C son clave para mitigar el sesgo en los recomendadores basados en GCN.
- Este enfoque ofrece un avance significativo para los sistemas de recomendación, particularmente en el manejo de la escasez de datos.
Videos de Conceptos Relacionados
Purposive Learning
Associative Learning
Classical conditioning, also known...
Cognitive Learning
E. C. Tolman's theory of purposive behavior emphasizes that much behavior is goal-directed. He argued that to understand behavior, we must look at the entire sequence of actions leading to a goal. For instance, high school students study hard, not just due to past reinforcement but also to achieve the goal of getting into a good college.
Tolman introduced the idea that behavior is influenced by...
Relationship Formation
Introduction to Learning
In contrast to learned behaviors, unlearned behaviors such as crying, sexual...
Social Cognitive Perspective on Personality

