- AAAI终身学习对话系统:自学聊天机器人
本文提出使用不断学习的方法,通过与用户进行对话,改进对话系统(chatbots)中按人工规则编译知识库和局限于理解自然语言的能力,提高在多种语言表达和聊天技能方面的用户满意度。
- ACL激活学习:联合优化系统和用户需求
提出了一种新的主动学习方法,旨在优化主动学习系统和用户之间看似矛盾的目标,以达到在教育应用中快速学习预测一种练习是否适合特定用户,同时只向用户提供符合他们技能的练习,并通过实际用户数据表明,该方法更好地满足了用户的双重目标。
- 通过用户满意度估计进行多域会话质量评估
本文提出了一种新的基于响应质量注释方法的自动化指标,通过引入五个新的与领域无关的特性集,实现了在单轮和对话层面上估计用户满意度的机器学习模型,并取得了较高的预测表现。
- AAAI多智能体环境决策解释的人工智能
介绍了在多智能体环境下,通过提供解释来增加用户满意度的重要性,提出了一个新的研究方向 xMASE,并回顾了现有的技术水平和为提高用户满意度而生成解释的算法。
- 基于用户满意度评估的领域无关的对话质量评估
该研究提出了一种新的 Response Quality 标注方案,基于此开发了一种新的以轮为单位的用户满意度量。使用五个新的与领域无关的特征集和六种机器学习模型来估算新的满意度量,方法显著提高了模型性能和泛化能力。
- ACL部署后从对话中学习:聊天机器人,喂饱自己!
本研究提出自我反馈聊天机器人,通过从参与的对话中提取新的训练样本和估计用户满意度来改进聊天机器人的对话能力,并在 PersonaChat chit-chat 数据集上进行实验得到了显著的性能提升。
- 可解释人工智能的度量:挑战与前景
本文研究解释型人工智能(XAI)的性能评估,包括解释质量、用户满意度、用户对人工智能系统的理解度、好奇心的激发、信任及依赖程度以及人机协同的表现。根据广泛的研究文献和心理测量评估结果,提出相应的方法和建议。
- 平等的发言权:走向众包 Top-K 推荐中的公正代表
本文提出一种使用单可转移投票机制对用户进行 Top-K 推荐的方法,以获取更多用户的偏好并减少少数用户对超级活跃推广的物品的影响。通过两个真实世界数据集的实验和与最先进技术的比较,我们显示这种方法提供了最大的用户满意度。
- 拼车中人类满意度作为最终目标
研究表明,当寻求最佳的车辆乘客分配和路线确定时,用户满意度应该是主要目标之一,因此发展了一种实用算法来提高用户满意度,并优于具有更简单满意度模型的最优化分配算法。
- ICML基于重复损失最小化的公平性无需人口统计信息
通过采用分布式鲁棒优化的方法,我们可以在不考虑特定群体身份的情况下控制少数群体的风险水平,从而避免了现有的经验风险最小化方法在时间推移中导致的表征偏差加剧。在一个真实的文本自动完成任务中,这种方法提高了少数群体用户的满意度。
- 媒体流媒体的使用时间预测
通过真实数据集,使用生存分析技术对移动在线服务中的会话时长进行了分析,针对会话开始时可用信息使用梯度提升树进行预测,本文提出的技术在真实数据上优于现有基线模型。
- WWW审计搜索引擎对不同人口群体的满意度差异
本文提出了一个框架,用于在搜索引擎作为案例研究下,内部审计在线服务在不同人口群体用户满意度方面的差异。该框架对其他在线服务广泛适用,并提供解释其评价指标的一般见解。