All translations

Enter a message name below to show all available translations.

Found 3 translations.

Name	Current message text
^h English (en)	The TensorFlow ''DNNLinearCombinedClassifier'' / ''DNNLinearCombinedRegressor'' estimators productized the architecture as a drop-in API, and the paper is widely cited in textbook treatments of [[recommender systems]] and [[deep learning]] applied to ranking. Beyond its direct influence on {{Term\|click-through rate\|CTR}} models, the broader principle — that complementary {{Term\|inductive bias\|inductive biases}} can be combined under a shared loss instead of via post-hoc ensembling — informed later hybrid designs that mix retrieval and ranking signals, structured {{Term\|prior\|priors}} with neural networks, or rule-based features with {{Term\|representation learning\|learned representations}}.
^h Spanish (es)	Los estimadores ''DNNLinearCombinedClassifier'' / ''DNNLinearCombinedRegressor'' de TensorFlow productizaron la arquitectura como una API lista para usar, y el artículo se cita ampliamente en tratamientos de libro de texto sobre [[recommender systems\|sistemas de recomendación]] y [[deep learning\|aprendizaje profundo]] aplicados a la clasificación. Más allá de su influencia directa en los modelos de {{Term\|click-through rate\|CTR}}, el principio más amplio —que los {{Term\|inductive bias\|sesgos inductivos}} complementarios pueden combinarse bajo una pérdida compartida en lugar de mediante ensamblado a posteriori— inspiró diseños híbridos posteriores que mezclan señales de recuperación y clasificación, {{Term\|prior\|prioris}} estructurados con redes neuronales o características basadas en reglas con {{Term\|representation learning\|representaciones aprendidas}}.
^h Chinese (zh)	TensorFlow 的 ''DNNLinearCombinedClassifier'' / ''DNNLinearCombinedRegressor'' 估计器将该架构产品化为开箱即用的 API,该论文在[[recommender systems\|推荐系统]]和应用于排序的[[deep learning\|深度学习]]教科书中被广泛引用。除了直接影响 {{Term\|click-through rate\|CTR}} 模型之外,其更广泛的原则——互补的{{Term\|inductive bias\|归纳偏置}}可以在共享损失下组合,而无需事后集成——也启发了后来的混合设计,这些设计将检索信号与排序信号、结构化{{Term\|prior\| 先验}}与神经网络,或基于规则的特征与{{Term\|representation learning\|学习到的表示}}结合在一起。