論文の概要: Semi-Supervised Learning Approach to Discover Enterprise User Insights
from Feedback and Support
- arxiv url: http://arxiv.org/abs/2007.09303v3
- Date: Wed, 22 Jul 2020 00:20:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 05:08:04.993136
- Title: Semi-Supervised Learning Approach to Discover Enterprise User Insights
from Feedback and Support
- Title（参考訳）: フィードバックとサポートから企業ユーザ洞察を得るための半教師付き学習アプローチ
- Authors: Xin Deng, Ross Smith, Genevieve Quintin
- Abstract要約: 本稿では,Deep Learning と Topic Modeling を利用した,革新的なセミスーパーバイザラーニング手法を提案する。
このアプローチは、教師付き学習と新しい確率的・セマンティックハイブリッドトピック推論(PSHTI)モデルを組み合わせたBERTベースのマルチクラス化アルゴリズムである。
本システムは,Webクローリングを通じて製品に関するドメイン知識を活用することで,トップワードを自己ヘルプ問題にマッピングすることを可能にする。
- 参考スコア（独自算出の注目度）: 9.66491980663996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the evolution of the cloud and customer centric culture, we inherently
accumulate huge repositories of textual reviews, feedback, and support
data.This has driven enterprises to seek and research engagement patterns, user
network analysis, topic detections, etc.However, huge manual work is still
necessary to mine data to be able to mine actionable outcomes. In this paper,
we proposed and developed an innovative Semi-Supervised Learning approach by
utilizing Deep Learning and Topic Modeling to have a better understanding of
the user voice.This approach combines a BERT-based multiclassification
algorithm through supervised learning combined with a novel Probabilistic and
Semantic Hybrid Topic Inference (PSHTI) Model through unsupervised learning,
aiming at automating the process of better identifying the main topics or areas
as well as the sub-topics from the textual feedback and support.There are three
major break-through: 1. As the advancement of deep learning technology, there
have been tremendous innovations in the NLP field, yet the traditional topic
modeling as one of the NLP applications lag behind the tide of deep learning.
In the methodology and technical perspective, we adopt transfer learning to
fine-tune a BERT-based multiclassification system to categorize the main topics
and then utilize the novel PSHTI model to infer the sub-topics under the
predicted main topics. 2. The traditional unsupervised learning-based topic
models or clustering methods suffer from the difficulty of automatically
generating a meaningful topic label, but our system enables mapping the top
words to the self-help issues by utilizing domain knowledge about the product
through web-crawling. 3. This work provides a prominent showcase by leveraging
the state-of-the-art methodology in the real production to help shed light to
discover user insights and drive business investment priorities.
- Abstract（参考訳）: クラウドと顧客中心の文化の進化に伴い、私たちは本質的に、テキストレビュー、フィードバック、サポートデータの巨大なリポジトリを蓄積しています。このことから、企業はエンゲージメントパターン、ユーザネットワーク分析、トピック検出などを探し、調査せざるを得なくなりました。
In this paper, we proposed and developed an innovative Semi-Supervised Learning approach by utilizing Deep Learning and Topic Modeling to have a better understanding of the user voice.This approach combines a BERT-based multiclassification algorithm through supervised learning combined with a novel Probabilistic and Semantic Hybrid Topic Inference (PSHTI) Model through unsupervised learning, aiming at automating the process of better identifying the main topics or areas as well as the sub-topics from the textual feedback and support.There are three major break-through:
1. 深層学習技術の進歩に伴い、NLP分野にも大きな革新があったが、従来のトピックモデリングは深層学習の潮流に遅れを取っている。
提案手法と技術の観点からは, bert型多分類システムを用いて主トピックを分類し, 予測主トピックのサブトピックを推定する新しいpshtiモデルを用いて転送学習を行う。
2. 従来の教師なしの学習に基づくトピックモデルやクラスタリング手法では、意味のあるトピックラベルを自動的に生成することが困難であるが、本システムは、webクローリングを通じて製品に関するドメイン知識を利用することで、トップワードを自己支援問題にマッピングすることができる。
3.本研究では,実運用における最先端の方法論を活用して,ユーザの洞察の発見とビジネス投資の優先順位向上を支援することで,著名なショーケースを提供する。
関連論文リスト
- Coding for Intelligence from the Perspective of Category [66.14012258680992]
符号化の対象はデータの圧縮と再構成、インテリジェンスである。
最近の傾向は、これらの2つの分野の潜在的均一性を示している。
本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
論文 参考訳（メタデータ） (2024-07-01T07:05:44Z) - A look under the hood of the Interactive Deep Learning Enterprise (No-IDLE) [2.7719338074999538]
No-IDLEは、非専門家の機械学習におけるインタラクティブなディープラーニングソリューションのリーチを高めることを目的としている。
この技術レポートで述べられている重要なイノベーションの1つは、対話型機械学習とマルチモーダルインタラクションを組み合わせた方法論である。
論文 参考訳（メタデータ） (2024-06-27T10:01:56Z) - Federated Learning driven Large Language Models for Swarm Intelligence: A Survey [2.769238399659845]
Federated Learning (FL)は、大規模言語モデル(LLM)をトレーニングするための魅力的なフレームワークを提供する
私たちは機械学習に重点を置いています。これは、忘れられる権利のようなプライバシー規則に従う上で重要な側面です。
摂動技術やモデル分解,漸進学習など,効果的なアンラーニングを可能にするさまざまな戦略を探求する。
論文 参考訳（メタデータ） (2024-06-14T08:40:58Z) - Emerging Synergies Between Large Language Models and Machine Learning in
Ecommerce Recommendations [19.405233437533713]
大規模言語モデル(LLM)は、言語理解と生成の基本的なタスクにおいて優れた機能を持つ。
機能エンコーダとしてLLMを用いたユーザとアイテムの表現を学習するための代表的なアプローチを提案する。
次に、協調フィルタリング強化レコメンデーションシステムのためのLLM技術の最新技術について概説した。
論文 参考訳（メタデータ） (2024-03-05T08:31:00Z) - Combatting Human Trafficking in the Cyberspace: A Natural Language
Processing-Based Methodology to Analyze the Language in Online Advertisements [55.2480439325792]
このプロジェクトは、高度自然言語処理(NLP)技術により、オンラインC2Cマーケットプレースにおける人身売買の急激な問題に取り組む。
我々は、最小限の監督で擬似ラベル付きデータセットを生成する新しい手法を導入し、最先端のNLPモデルをトレーニングするための豊富なリソースとして機能する。
重要な貢献は、Integrated Gradientsを使った解釈可能性フレームワークの実装であり、法執行にとって重要な説明可能な洞察を提供する。
論文 参考訳（メタデータ） (2023-11-22T02:45:01Z) - Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。
我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
論文 参考訳（メタデータ） (2023-07-05T06:03:40Z) - Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。
このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。
我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
論文 参考訳（メタデータ） (2023-07-03T16:01:45Z) - Practical and Ethical Challenges of Large Language Models in Education:
A Systematic Scoping Review [5.329514340780243]
大規模言語モデル(LLM)は、テキストコンテンツの生成と分析の面倒なプロセスを自動化する可能性がある。
これらの革新の実践性と倫理性には懸念がある。
我々は2017年以降に発行された118件の査読論文の体系的スコーピングレビューを行い、研究の現状を明らかにした。
論文 参考訳（メタデータ） (2023-03-17T18:14:46Z) - Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。
データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
論文 参考訳（メタデータ） (2022-11-27T13:07:14Z) - Knowledge-Aware Bayesian Deep Topic Model [50.58975785318575]
本稿では,事前知識を階層型トピックモデリングに組み込むベイズ生成モデルを提案する。
提案モデルでは,事前知識を効率的に統合し,階層的なトピック発見と文書表現の両面を改善する。
論文 参考訳（メタデータ） (2022-09-20T09:16:05Z)
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。