The purpose of this article is to present profits and costs of enriching state of the art real life tag recommender system with incremental learning mechanisms. We describe modifications to a system that successfully participated in Online Task of ECML/PKDD Discovery Challenge 2009. The system's architecture follows an idea to construct hierarchical ensemble of simple classifiers, which was implemented in various ways by the systems with highest performance in the Challenge. The system is currently integrated as a web service with BibSonomy bookmarking portal and outperforms other algorithms in terms of effective latency. We focus on incremental learning techniques that improve quality of the system's recommendations, but do not raise maintainability, efficiency or reliability issues.
PL
Celem artykułu jest prezentacja korzyści i zagrożeń związanych ze wzbogaceniem systemu rekomendującego otagowania o mechanizmy uczenia przyrostowego. Opisujemy modyfikacje do systemu, który z powodzeniem brał udział w konkursie ECML/PKDD Discovery Challenge. Architektura systemu oparta jest na idei wspólnej dla systemów, które osiągnęły najwyższe oceny podczas konkursu i składa się z hierarchicznego łączenia wyników prostych klasyfikatorów. Opisywany system jest obecnie zintegrowany z serwisem internetowym BibSonomy i osiąga najwyższe oceny ze względu na czas dostarczania rekomendacji dla użytkowników. W tym artykule skupiamy uwagę na zastosowaniu technik uczenia przyrostowego, które nie powodują znacznego obniżenia prędkości systemu lub obniżają jego niezawodność we wdrożeniu w środowisku badawczym.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.