Video Experimental Relacionado
Updated: Jul 1, 2026

Virtual Agent for Real-Time Motivational Interviewing by Integrating Adaptive Nonverbal Behavior and Language Models
Published on: December 23, 2025
Un marco de aprendizaje profundo basado en conmutación para recomendaciones personalizadas y adaptativas de comercio
Kapil Saini1, Ajmer Singh2, Manoj Diwakar3,4
1School of Computer Science and Engineering, Geeta University, Panipat, Haryana, 132145, India.
Este estudio presenta un novedoso sistema de recomendación híbrido basado en conmutación para manejar de manera efectiva diversos perfiles de usuario y recomendaciones entre dominios. El sistema mejora significativamente la precisión y el rendimiento de las recomendaciones en varios segmentos de usuarios, abordando desafíos como la escasez de datos y la adaptabilidad en tiempo real.
Área de la Ciencia:
- Ciencias de la Computación; Inteligencia Artificial; Aprendizaje Automático
Sus antecedentes:
- Los sistemas de recomendación enfrentan desafíos con diversos perfiles de usuario, escasez de datos y el problema de la{ extvisiblespace}arranque en frío.; Los sistemas existentes tienen dificultades con las recomendaciones entre dominios y la adaptación a los cambios en las preferencias del usuario en tiempo real.; Equilibrar la personalización y la diversidad de las recomendaciones es crucial para la satisfacción del usuario.
Objetivo del estudio:
- Proponer un innovador sistema de recomendación híbrido basado en conmutación para satisfacer diversos perfiles de usuario.; Abordar los desafíos en las recomendaciones entre dominios y la adaptabilidad en tiempo real.; Mejorar la precisión y la eficiencia de las recomendaciones para diversas historias de interacción y preferencias del usuario.
Principales métodos:
- Se categorizó a los usuarios en tres grupos: principiantes, usuarios ligeros y usuarios intensivos.; Se desarrolló una arquitectura de sistema de recomendación híbrido basado en conmutación.; Se optimizaron múltiples objetivos utilizando señales como las vistas de productos para mejorar el rendimiento.
Principales resultados:
- Reducción de la pérdida de validación de 0.3414 a 0.1545 para nuevos usuarios (reducción del 54.7%).; Mejora de la tasa de aciertos@10 (HR@10) de 0.30 a 0.60 (aumento del 100%) y NDCG@10 de 0.35 a 0.65 (aumento del 85.7%) para usuarios ligeros.; Se logró un alto rendimiento predictivo para retroalimentación implícita: precisión del 0.91, precisión del 0.89, recuperación del 0.88 y puntuación F1 del 0.89.
Conclusiones:
- El sistema propuesto se adapta eficazmente a diversos perfiles de usuario y mejora la calidad de las recomendaciones.; Los modelos híbridos basados en conmutación ofrecen una solución prometedora para recomendaciones adaptativas y entre dominios.; El sistema demuestra importantes mejoras de rendimiento en comparación con los métodos de referencia en diferentes segmentos de usuarios.
Videos de Conceptos Relacionados
Introduction to Learning
In contrast to learned behaviors, unlearned behaviors such as crying, sexual...
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...
Observational Learning
Decision Making
Automatic decision-making is fast, intuitive, and relies on gut feelings...