論文の概要: Goal-driven Command Recommendations for Analysts
- arxiv url: http://arxiv.org/abs/2011.06237v1
- Date: Thu, 12 Nov 2020 07:26:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 08:01:59.955480
- Title: Goal-driven Command Recommendations for Analysts
- Title（参考訳）: ゴール駆動型アナリスト向けコマンドレコメンデーション
- Authors: Samarth Aggarwal, Rohin Garg, Abhilasha Sancheti, Bhanu Prakash Reddy
Guda, Iftikhar Ahamath Burhanuddin
- Abstract要約: 本研究では,非構造化ログを活用することで,ユーザに対して目標駆動型データコマンドレコメンデーションを提供するフレームワークを提案する。
私たちは、Webベースの分析ソフトウェアのログデータを使用して、ニューラルネットワークモデルをトレーニングし、そのパフォーマンスを定量化します。
また,提案手法を用いて,提案手法の目標方向の度合いを推定する評価指標を提案する。
- 参考スコア（独自算出の注目度）: 2.1751694495249914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent times have seen data analytics software applications become an
integral part of the decision-making process of analysts. The users of these
software applications generate a vast amount of unstructured log data. These
logs contain clues to the user's goals, which traditional recommender systems
may find difficult to model implicitly from the log data. With this assumption,
we would like to assist the analytics process of a user through command
recommendations. We categorize the commands into software and data categories
based on their purpose to fulfill the task at hand. On the premise that the
sequence of commands leading up to a data command is a good predictor of the
latter, we design, develop, and validate various sequence modeling techniques.
In this paper, we propose a framework to provide goal-driven data command
recommendations to the user by leveraging unstructured logs. We use the log
data of a web-based analytics software to train our neural network models and
quantify their performance, in comparison to relevant and competitive
baselines. We propose a custom loss function to tailor the recommended data
commands according to the goal information provided exogenously. We also
propose an evaluation metric that captures the degree of goal orientation of
the recommendations. We demonstrate the promise of our approach by evaluating
the models with the proposed metric and showcasing the robustness of our models
in the case of adversarial examples, where the user activity is misaligned with
selected goal, through offline evaluation.
- Abstract（参考訳）: 近年、データ分析ソフトウェアアプリケーションは、アナリストの意思決定プロセスにおいて不可欠な部分となっている。
これらのソフトウェアアプリケーションのユーザは、大量の非構造化ログデータを生成する。
これらのログにはユーザの目標の手がかりが含まれており、従来のレコメンデータシステムはログデータから暗黙的にモデル化することが難しい可能性がある。
この仮定では、コマンドレコメンデーションを通じて、ユーザの分析プロセスを支援したいと思っています。
私たちはコマンドをソフトウェアとデータカテゴリに分類し、その目的に基づいて手元のタスクを遂行します。
データコマンドに繋がるコマンドのシーケンスが後者のよい予測子であるという前提のもと、我々は様々なシーケンスモデリング技術を設計し、開発し、検証する。
本稿では,非構造化ログを活用することで,ユーザに対して目標駆動型データコマンドレコメンデーションを提供するフレームワークを提案する。
我々は、Webベースの分析ソフトウェアのログデータを使用して、ニューラルネットワークモデルをトレーニングし、関連する、競合するベースラインと比較してパフォーマンスを定量化します。
提案する目標情報に基づいて,推奨データコマンドをカスタマイズするカスタムロス関数を提案する。
また,提案手法の目標方向の度合いを推定する評価指標を提案する。
提案した指標を用いてモデルの評価を行い, ユーザアクティビティが選択した目標と一致していない場合, オフライン評価によって, モデルの堅牢性を示すことによって, アプローチの可能性を実証する。
関連論文リスト
- Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。
9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
論文 参考訳（メタデータ） (2024-10-03T13:02:07Z) - How to Evaluate Entity Resolution Systems: An Entity-Centric Framework with Application to Inventor Name Disambiguation [1.7812428873698403]
本稿では,要約統計をモニタリングする統合フレームワークと統合したエンティティ中心のデータラベリング手法を提案する。
これらのベンチマークデータセットは、モデルトレーニングやさまざまな評価タスクに使用できる。
論文 参考訳（メタデータ） (2024-04-08T15:53:29Z) - DACO: Towards Application-Driven and Comprehensive Data Analysis via Code Generation [83.30006900263744]
データ分析は、詳細な研究と決定的な洞察を生み出すための重要な分析プロセスである。
LLMのコード生成機能を活用した高品質な応答アノテーションの自動生成を提案する。
我々のDACO-RLアルゴリズムは、57.72%のケースにおいて、SFTモデルよりも有用な回答を生成するために、人間のアノテータによって評価される。
論文 参考訳（メタデータ） (2024-03-04T22:47:58Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - A Sequence-Aware Recommendation Method Based on Complex Networks [1.385805101975528]
データからネットワークモデルを構築し、それを使ってユーザのその後のアクションを予測する。
提案手法は大規模データセット上で実験的に実装および試験を行った。
論文 参考訳（メタデータ） (2022-09-30T16:34:39Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳（メタデータ） (2022-09-12T09:19:22Z) - ASTA: Learning Analytical Semantics over Tables for Intelligent Data
Analysis and Visualization [32.06228510098419]
本稿では,ユーザ生成分析の背後にある共通分析パターンを明らかにするために,テーブル上の解析意味論を提案する。
本稿では,ユーザ意図からデータ焦点を分離し,データと人間の視点からユーザモチベーションを抽出して分析意味論を設計する。
また,知的テーブル分析を実証するために,初めて条件付きフォーマッティングを推奨するとともに,チャートレコメンデーションも提案する。
論文 参考訳（メタデータ） (2022-08-01T13:32:36Z) - Interactive Data Analysis with Next-step Natural Language Query
Recommendation [34.264322423228556]
我々は,ユーザが適切な次ステップ探索行動を選択するのを支援するために,ステップワイズクエリレコメンデーションモジュールを備えたNLIを開発した。
このシステムは、ユーザーがクエリ履歴と結果をダッシュボードにまとめて、発見したデータインサイトを伝えるのに役立つ。
論文 参考訳（メタデータ） (2022-01-13T10:20:06Z) - Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。
本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
論文 参考訳（メタデータ） (2021-09-02T14:28:46Z) - Topology-based Clusterwise Regression for User Segmentation and Demand
Forecasting [63.78344280962136]
本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。
本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
論文 参考訳（メタデータ） (2020-09-08T12:10:10Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳（メタデータ） (2020-08-18T11:44:10Z)
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。