論文の概要: An Intelligent Recommendation-cum-Reminder System
- arxiv url: http://arxiv.org/abs/2108.06206v1
- Date: Mon, 9 Aug 2021 06:51:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-22 14:41:25.490092
- Title: An Intelligent Recommendation-cum-Reminder System
- Title（参考訳）: インテリジェント・レコメンデーション・カム・リマインダーシステム
- Authors: Rohan Saxena, Maheep Chaudhary, Chandresh Kumar Maurya, Shitala Prasad
- Abstract要約: 現在、Siri、Google Assistant、Microsoft Cortonaなどのインテリジェントシステムには制限がある。
本稿では,メールを入力として取り出し,レコメンデーション・累計リストを返すシステムを提案する。
提案手法は,複数のベースラインに対して,リコールで最大30%,精度で最大10%の優れた性能を実現する。
- 参考スコア（独自算出の注目度）: 2.274915755738124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent recommendation and reminder systems are the need of the
fast-pacing life. Current intelligent systems such as Siri, Google Assistant,
Microsoft Cortona, etc., have limited capability. For example, if you want to
wake up at 6 am because you have an upcoming trip, you have to set the alarm
manually. Besides, these systems do not recommend or remind what else to carry,
such as carrying an umbrella during a likely rain. The present work proposes a
system that takes an email as input and returns a recommendation-cumreminder
list. As a first step, we parse the emails, recognize the entities using named
entity recognition (NER). In the second step, information retrieval over the
web is done to identify nearby places, climatic conditions, etc. Imperative
sentences from the reviews of all places are extracted and passed to the object
extraction module. The main challenge lies in extracting the objects (items) of
interest from the review. To solve it, a modified Machine Reading
Comprehension-NER (MRC-NER) model is trained to tag objects of interest by
formulating annotation rules as a query. The objects so found are recommended
to the user one day in advance. The final reminder list of objects is pruned by
our proposed model for tracking objects kept during the "packing activity."
Eventually, when the user leaves for the event/trip, an alert is sent
containing the reminding list items. Our approach achieves superior performance
compared to several baselines by as much as 30% on recall and 10% on precision.
- Abstract（参考訳）: インテリジェントなレコメンデーションとリマインダーシステムは、速い寿命を必要とする。
siri、google assistant、microsoft cortonaなどの現在のインテリジェントシステムには、限られた能力がある。
例えば、午前6時に目が覚めるのは、次の旅行があるからで、手動でアラームをセットする必要がある。
さらにこれらのシステムは、降雨時に傘を運ぶなど、何を運ぶかを推奨したり、思い出させたりしない。
本稿では,メールを入力として取り出し,レコメンデーション・累計リストを返すシステムを提案する。
最初のステップとして、Eメールを解析し、名前付きエンティティ認識(NER)を用いてエンティティを認識する。
第2のステップでは、web上の情報検索を行い、近くの場所や気候条件などを識別する。
すべての場所のレビューからの命令文を抽出してオブジェクト抽出モジュールに渡す。
主な課題は、レビューから関心のあるオブジェクト(項目)を抽出することである。
これを解決するために、修正されたMachine Reading Comprehension-NER(MRC-NER)モデルをトレーニングし、クエリとしてアノテーションルールを定式化する。
見つけたオブジェクトは、ある日前にユーザに推奨される。
オブジェクトの最終的なリマインダーリストは、"packing activity"中に保持されたオブジェクトを追跡するための提案モデルによって決定される。
最終的に、ユーザがイベント/トリップに出発すると、リマインディングリスト項目を含むアラートが送信される。
提案手法は,複数のベースラインに対して,リコールで最大30%,精度で最大10%の優れた性能を実現する。
関連論文リスト
- Follow Anything: Open-set detection, tracking, and following in
real-time [89.83421771766682]
我々は,物体をリアルタイムで検出,追跡,追跡するロボットシステムを提案する。
私たちのアプローチは、何でも従う"(FAn)と呼ばれ、オープンな語彙とマルチモーダルモデルです。
FAnは軽量(6～8GB)グラフィックカードでラップトップにデプロイでき、毎秒6～20フレームのスループットを実現する。
論文 参考訳（メタデータ） (2023-08-10T17:57:06Z) - Recommender Systems with Generative Retrieval [58.454606442670034]
本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。
そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。
提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2023-05-08T21:48:17Z) - Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR
based 3D Object Detection [50.959453059206446]
本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。
まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。
従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
論文 参考訳（メタデータ） (2023-04-24T17:59:05Z) - Talk the Walk: Synthetic Data Generation for Conversational Music
Recommendation [62.019437228000776]
本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。
人間の収集したデータセットで100万以上の多様な会話を生成します。
論文 参考訳（メタデータ） (2023-01-27T01:54:16Z) - Sequential Modeling with Multiple Attributes for Watchlist
Recommendation in E-Commerce [67.6615871959902]
電子商取引におけるウォッチリスト機能について検討し、新しいウォッチリスト推薦タスクを導入する。
私たちのゴールは、ユーザーが次にクリックするアイテムを予測することで、ユーザーが次に注意を払うべきウォッチリスト項目を優先順位付けすることです。
提案するレコメンデーションモデルであるTrans2DはTransformerアーキテクチャ上に構築されている。
論文 参考訳（メタデータ） (2021-10-18T10:02:15Z) - Item Recommendation from Implicit Feedback [8.877053863402484]
この記事では、アイテムの推奨、そのユニークな特性、およびいくつかの一般的なアプローチの概要を紹介します。
本体は学習アルゴリズムを扱い、サンプリングベースのアルゴリズムを一般推薦者に提示する。
検索タスクにおけるアイテムレコメンダの応用について検討する。
論文 参考訳（メタデータ） (2021-01-21T18:50:21Z) - GO-Finder: A Registration-Free Wearable System for Assisting Users in
Finding Lost Objects via Hand-Held Object Discovery [23.33413589457104]
GO-Finderは、登録不要のウェアラブルカメラベースのシステムで、オブジェクトの発見を支援する。
Go-Finderは手持ちのオブジェクトを自動的に検出してグループ化し、オブジェクトのビジュアルタイムラインを形成する。
論文 参考訳（メタデータ） (2021-01-18T20:04:56Z) - Learning with Weak Supervision for Email Intent Detection [56.71599262462638]
本稿では,メールの意図を検出するために,ユーザアクションを弱い監視源として活用することを提案する。
メール意図識別のためのエンドツーエンドの堅牢なディープニューラルネットワークモデルを開発した。
論文 参考訳（メタデータ） (2020-05-26T23:41:05Z) - ScopeIt: Scoping Task Relevant Sentences in Documents [2.047424180164312]
大規模クエリからエージェントの関連情報をスコーピングするニューラルネットワークを提案する。
事前処理のステップとして使用すると、意図検出とエンティティ抽出の両方のタスクの性能が向上することを示す。
論文 参考訳（メタデータ） (2020-02-23T02:33:10Z)
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。