- 一种利用机器学习预测多媒体服务体验质量的新方法
使用机器学习技术为网络服务提供商提供了一种实用的框架,可以评估和预测用户对服务的满意度,从而通过实时动态分配网络资源来降低成本并提高客户满意度。
- 在线平台中自适应学习选择 - 排序
优化用户排序列表的算法将用户偏好和物品位置的变化考虑在内,通过上界调整预测的用户满意度分数,并选择最大化这些调整分数的排序操作,以在异质用户中个性化用户体验。该算法在实验中表现优于基线模型。
- 智能家居环境中实现以人为中心的可解释性:解释 AI 决策
智能家居系统中智能决策模型的可解释人工智能(XAI)方法对于开发者和从业者有益,但普通用户尤其是家庭成员可能很难理解。本文提倡以人为中心的 XAI 方法,强调提供易于理解的解释以增强用户满意度、推动智能家居系统的采用。通过对两个智能家居应用 - 通过用户行为建模和随机规划控制大型电动汽车充电站
这篇论文介绍了一种电动汽车充电站(EVCS)模型,它考虑到现实世界的约束条件,如插槽功率限制、合同阈值超过惩罚或电动汽车(EVs)的早期断开连接。我们提出了一个对 EVCS 控制问题的不确定性建模,并实施了两种多级随机规划方法,利用用户提供 - 利用对话方案的 LLM 增强多模式对话系统的一致性
这篇论文描述了我们提交给 2023 年对话机器人竞赛的对话系统。该系统旨在帮助旅行社的用户决定参观京都市的两个观光景点的计划。通过根据对话场景控制对话流程,我们的对话系统具有灵活性和稳定性,并根据系统的话语和用户的情况引入动作和语音控制以提 - 电动汽车充电站最优位置的最大流量模型
气候变化、电动汽车、充电站、用户满意度和最大流问题是这篇研究论文的主要关键词和主题。
- 以人为中心的规划
创建基于 LLMs 的规划器(LLMPlan)与能够将文本约束转化为符号表示的符号规划器(SymPlan),通过自我反思的能力以及对自然语言中模糊约束的合并,LLM 基于规划器在 40 名用户的互动评估中表现出优异的用户满意度(70.5%) - 在线互动中的多样性优势
本文研究了在线连接人们以帮助他们解决日常问题的问题。我们利用声明性规范来调解在线互动,特别关注在连接人们时利用多样性的问题。我们在不同大学场地进行了试点,结果显示选择档案的多样性相对成功,用户满意度高。
- 内容市场中的离策略学习广告负载平衡
在线广告平台中,通过应用离线数据采集的反例权重评估方法和双重保守法,以最大程度提高用户满意度和广告收入为目标,解决了广告负载平衡问题。在超过 8000 万用户和 2 亿次会话的实施规模的在线 A/B 测试中,发现用户满意度指标和广告收入都有 - KDD动态邮件重新排序问题的静态算法平衡
电子邮件平台需要根据用户的偏好生成个性化的邮件排序,本文提出了一种基于多个标准的推荐算法 MOSR,并通过实验证明 MOSR 在满足用户的多样化偏好方面表现更好,同时维持了不同样本之间的稳定排序。
- ACL生成 - 检索:面向意图的产品搜索问答检索
通过建立一个意图感知的 FAQ 检索系统,实现在产品搜索中集成 FAQ 检索,提高用户购买决策和购后支持满意度。
- 基于 REINFORCE 推荐算法的用户满意度奖励塑造
本研究提出了一种基于强化学习的推荐方法,通过联合训练一个策略网络和一个满意度插补网络,利用奖励设计来驱动用户满意度,以帮助解决评估、稀疏性和训练的挑战。
- MM利用对比学习的内容推荐中的负面偏好探测
本研究采用对比学习 (contrastive learning) 模型并结合三种不同的训练策略来分析用户对负向偏好在音乐口味中的作用,证实了将负向偏好纳入音乐推荐系统的可行性,并且实验证明了负向偏好训练策略对于提高音乐推荐准确度和减少误报率 - SIGIR与非合作用户的交互:积极对话策略的新范式
本研究旨在提高主动对话策略在动态用户交互中的自然性和实用性,特别关注非合作用户行为,提出一种名为 I-Pro 的新解决方案,在学习目标权重方面有所创新,并在实验中取得了显著的效果和可解释性。
- AAAI离开赌博机模型中的推荐系统流失建模
本文提出了一种用于捕获与策略相关时间限制的多臂老虎机设置,其中用户类型是未知的,通过其响应来推断,而如果用户对其推荐不满意,则可能会离开系统。
- 通过物理交互实现沟通:从人类校正中在线学习机器人目标
本论文旨在提出了一种动态系统的人机物理互动框架,介绍了如何在实时响应中学习人类意图,优化任务,并提高用户满意度。
- WSDM解释作为推荐的防御
本研究旨在通过加强推荐和对应解释之间的情感对齐,使解释的学习与推荐的学习更加紧密地连接。实验结果表明,该方案在推荐和解释任务方面均优于基线,特别是在生成解释的质量方面表现出色。
- AAAI非个性化推荐中的双边公平性
本文探讨了作为全球推荐系统一部分的非个性化(全局)新闻媒体平台中的两个特定的公平性问题,即用户公平和组织公平。作者测试了社会选择理论中不同的投票规则,并提出了一种偏见度量标准,以度量推荐文章集的总体意识形态偏见。作者发现,尽管投票规则在用户 - ACL自监督对比学习:面向对话代理的高效用户满意度预测
该研究开发了一种利用自监督对比学习和少样本迁移学习的方法,能显著减少标注数目,并提高面向未知领域技能的泛化性能。
- 会话式搜索中的偏见:个性化知识图谱的双刃剑
研究探讨了对话式搜索系统中的偏倚,重点讨论了与个性化知识图谱相关的偏差,提出了处理这些偏差的策略,并讨论了测量偏差和评估用户满意度的方法。