論文の概要: UFTR: A Unified Framework for Ticket Routing

• arxiv url: http://arxiv.org/abs/2003.00703v1
• Date: Mon, 2 Mar 2020 08:01:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 05:31:56.617894
• Title: UFTR: A Unified Framework for Ticket Routing
• Title（参考訳）: UFTR: チケットルーティングのための統一フレームワーク
• Authors: Jianglei Han, Jing Li, Aixin Sun
• Abstract要約: 今日、企業は顧客サービスのタイムリーかつ効果的なデリバリに対する需要が増えている。 このタスクは、未解決のサービスインシデント、あるいは"チケット"を適切なサービス専門家のグループにマッチさせることです。 本研究は,エンド・ツー・エンド・モデリング手法を用いて,両サブプロブレムを共同で扱う。
• 参考スコア（独自算出の注目度）: 27.361225596898045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Corporations today face increasing demands for the timely and effective delivery of customer service. This creates the need for a robust and accurate automated solution to what is formally known as the ticket routing problem. This task is to match each unresolved service incident, or "ticket", to the right group of service experts. Existing studies divide the task into two independent subproblems - initial group assignment and inter-group transfer. However, our study addresses both subproblems jointly using an end-to-end modeling approach. We first performed a preliminary analysis of half a million archived tickets to uncover relevant features. Then, we devised the UFTR, a Unified Framework for Ticket Routing using four types of features (derived from tickets, groups, and their interactions). In our experiments, we implemented two ranking models with the UFTR. Our models outperform baselines on three routing metrics. Furthermore, a post-hoc analysis reveals that this superior performance can largely be attributed to the features that capture the associations between ticket assignment and group assignment. In short, our results demonstrate that the UFTR is a superior solution to the ticket routing problem because it takes into account previously unexploited interrelationships between the group assignment and group transfer problems.
• Abstract（参考訳）: 今日、企業は顧客サービスのタイムリーかつ効果的なデリバリに対する需要が増えている。 これにより、正式にチケットルーティング問題と呼ばれる、堅牢で正確な自動化ソリューションの必要性が生じる。 このタスクは、未解決のサービスインシデント、すなわち"ticket"を適切なサービス専門家のグループにマッチさせることです。 既存の研究では、タスクを2つの独立した部分問題(初期グループ割り当てとグループ間転送)に分割する。 しかし,本研究では両サブプロブレムをエンドツーエンドモデリング手法を用いて共同で扱う。 まず,関連する機能を明らかにするために,50万枚のアーカイブチケットの事前解析を行った。 次に,4種類の機能(チケット,グループ,インタラクションから派生した)を用いた,チケットルーティングのための統一フレームワークuftrを考案した。 実験では,UFTRを用いて2つのランキングモデルを実装した。 私たちのモデルは、3つのルーティングメトリクスでベースラインを上回ります。 さらに, ポストホック解析により, チケット代入とグループ代入の関係を捉える特徴が, この優れた性能に大きく寄与することが明らかとなった。 簡単に言うと,uftrは,グループ割当問題とグループ転送問題との従来未発表の相互関係を考慮し,チケットルーティング問題に対する優れた解決策であることを示す。

関連論文リスト

• Aux-NAS: Exploiting Auxiliary Labels with Negligibly Extra Inference Cost [73.28626942658022]
  本研究の目的は,独立タスク(副次タスク)から追加の補助ラベルを活用することで,タスクのパフォーマンスを向上させることである。 本手法は,主タスクと補助タスクのための柔軟な非対称構造を持つアーキテクチャに基づく。 VGG、ResNet、ViTのバックボーンを使用して、NYU v2、CityScapes、Taskonomyデータセット上の6つのタスクで実験を行った。
  論文  参考訳（メタデータ） (2024-05-09T11:50:19Z)
• Fair collaborative vehicle routing: A deep multi-agent reinforcement learning approach [49.00137468773683]
  協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。 従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。 我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-10-26T15:42:29Z)
• Reference Twice: A Simple and Unified Baseline for Few-Shot Instance Segmentation [103.90033029330527]
  FSIS(Few-Shot Instance)は、サポート例が限定された新しいクラスの検出とセグメンテーションを必要とする。 我々は、FSISのサポートとクエリ機能の関係を利用するための統合フレームワーク、Reference Twice(RefT)を導入する。
  論文  参考訳（メタデータ） (2023-01-03T15:33:48Z)
• Group DETR: Fast DETR Training with Group-Wise One-to-Many Assignment [80.55064790937092]
  複数の予測に1つの基幹オブジェクトを割り当てる1対多の割り当ては、より高速なR-CNNやFCOSのような検出方法に成功している。 グループDETR(Group DETR)は、単純だが効率的なDECRトレーニング手法であり、一対多の割り当てのためのグループワイドな方法を導入する。 実験により、グループDETRはトレーニング収束を著しく高速化し、様々なDETRモデルの性能を向上させることが示された。
  論文  参考訳（メタデータ） (2022-07-26T17:57:58Z)
• TaDaa: real time Ticket Assignment Deep learning Auto Advisor for customer support, help desk, and issue ticketing systems [0.0]
  プロジェクトには,1) 問題を適切なグループに割り当てる,2) 問題をベストリゾルバに割り当てる,3) 関連性の高いチケットをリゾルバに割り当てる,といった機能がある。 我々は3k以上のグループと10k以上のリゾルバを持つチケットシステムサンプルデータセットを1つ利用し、グループ提案で95.2%、リゾルバ提案で79.0%、トップ3で9.0%の精度を得る。
  論文  参考訳（メタデータ） (2022-07-18T18:08:34Z)
• Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure of Costs [65.23158435596518]
  チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。 我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
  論文  参考訳（メタデータ） (2022-06-13T09:17:40Z)
• Integrated Vehicle Routing and Monte Carlo Scheduling Approach for the Home Service Assignment, Routing, and Scheduling Problem [0.2578242050187029]
  ホームサービスマネジメントによるH-SARA問題の定式化と解決を行う。 私たちは、旅行時間、期間、および顧客のキャンセルがサービス管理であると仮定します。 キャンセルの2つのモデルと、ルーティングとスケジューリングへの影響について紹介する。 本研究は, 最適ルーティング, スケジューリング, および経路破壊メタヒューリスティックが両モデルのキャンセルに与える影響を示す一連の数値実験について考察する。
  論文  参考訳（メタデータ） (2021-06-30T16:12:14Z)
• Model Patching: Closing the Subgroup Performance Gap with Data Augmentation [50.35010342284508]
  機械学習モデルの堅牢性を改善するためのフレームワークであるモデルパッチを導入する。 モデルパッチは、サブグループの違いに対してモデルを不変にすることを奨励し、サブグループによって共有されるクラス情報にフォーカスする。 CAMELは,(1)CycleGANを用いてクラス内およびサブグループ間拡張を学習し,(2)理論上動機付けられた整合性正規化器を用いてサブグループ性能のバランスをとる。 CAMELの有効性を3つのベンチマークデータセットで示し、最高のベースラインに対して、ロバストなエラーを最大33%削減した。
  論文  参考訳（メタデータ） (2020-08-15T20:01:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。