論文の概要: CoSEM: Contextual and Semantic Embedding for App Usage Prediction

• arxiv url: http://arxiv.org/abs/2108.11561v1
• Date: Thu, 26 Aug 2021 02:38:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-28 00:08:34.652981
• Title: CoSEM: Contextual and Semantic Embedding for App Usage Prediction
• Title（参考訳）: CoSEM: アプリケーション利用予測のためのコンテキストとセマンティックな埋め込み
• Authors: Yonchanok Khaokaew, Mohammad Saiedur Rahaman, Ryen W. White, Flora D. Salim
• Abstract要約: 既存のモデリングアプローチでは、履歴アプリの使用履歴と、幅広いセマンティック情報を使用してアプリ使用を予測する。 本稿では、アプリケーション利用予測のためのContextual and Semantic Embedding Modelと呼ばれるモデルを開発する。 実験により,セマンティック情報と履歴アプリ利用情報を組み合わせることで,モデルがベースラインを上回ることを示す。
• 参考スコア（独自算出の注目度）: 8.78798600901882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: App usage prediction is important for smartphone system optimization to enhance user experience. Existing modeling approaches utilize historical app usage logs along with a wide range of semantic information to predict the app usage; however, they are only effective in certain scenarios and cannot be generalized across different situations. This paper address this problem by developing a model called Contextual and Semantic Embedding model for App Usage Prediction (CoSEM) for app usage prediction that leverages integration of 1) semantic information embedding and 2) contextual information embedding based on historical app usage of individuals. Extensive experiments show that the combination of semantic information and history app usage information enables our model to outperform the baselines on three real-world datasets, achieving an MRR score over 0.55,0.57,0.86 and Hit rate scores of more than 0.71, 0.75, and 0.95, respectively.
• Abstract（参考訳）: ユーザエクスペリエンスを向上させるために,スマートフォンシステムの最適化には,アプリ使用率の予測が重要である。 既存のモデリングアプローチでは、履歴アプリ使用ログと幅広い意味情報を使用してアプリ使用を予測するが、それらは特定のシナリオでのみ有効であり、異なる状況で一般化することはできない。 本稿では,1)意味情報組込みと2)個人の歴史的アプリ利用に基づく文脈情報組込みの融合を活用した,アプリ利用予測のための文脈的および意味的組込みモデル(cosem)を開発することにより,この問題に対処する。 広範な実験により,セマンティック情報と履歴アプリの利用情報の組み合わせにより,実世界の3つのデータセットのベースラインを上回ることができ,mdrスコアが0.05,0.57,0.86,ヒット率スコアが0.071, 0.75, 0.95以上となった。

関連論文リスト

• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• Adaptive Prediction Ensemble: Improving Out-of-Distribution Generalization of Motion Forecasting [15.916325272109454]
  本稿では,ディープラーニングとルールに基づく予測専門家を統合した新しいフレームワーク,Adaptive Prediction Ensemble (APE)を提案する。 ディープラーニングモデルと並行して訓練された学習ルーティング関数は、入力シナリオに基づいて、最も信頼性の高い予測を動的に選択する。 この研究は、自律運転における頑健で一般化可能な運動予測のためのハイブリッドアプローチの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-12T17:57:00Z)
• A Two-Stage Prediction-Aware Contrastive Learning Framework for Multi-Intent NLU [41.45522079026888]
  NLU(Multi-intent Natural Language Understanding)は、単一発話における複数の意図から生じるモデルの混乱によって、非常に難しい課題を提示する。 以前の作業では、異なる多目的ラベル間のマージンを増やすために、モデルを対照的に訓練した。 マルチインテリジェントNLUのための2段階予測対応コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-05T13:09:55Z)
• Zero-Shot Fact-Checking with Semantic Triples and Knowledge Graphs [13.024338745226462]
  クレームとエビデンス文を直接操作する代わりに、外部知識グラフを用いたセマンティックトリプルに分解する。 これにより、特定のトレーニングデータを必要とするモデルを教師する、敵対的なデータセットとドメインに一般化することができる。 提案手法は, FEVER, FEVER-Symmetric, FEVER 2.0, Climate-FEVERにおいて, 従来のゼロショットアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-19T01:48:31Z)
• MAPLE: Mobile App Prediction Leveraging Large Language Model Embeddings [9.03541182474246]
  本研究では,大規模言語モデル埋め込み(MAPLE)を活用したモバイルアプリケーション予測モデルを提案する。 MAPLEは、LLM(Large Language Models)を採用し、これらの課題を克服するためにアプリの類似性をインストールしている。 2つの実世界のデータセットのテストでは、MAPLEは標準およびコールドスタートシナリオの両方で、現代のモデルを上回っている。
  論文  参考訳（メタデータ） (2023-09-15T13:15:54Z)
• Selective In-Context Data Augmentation for Intent Detection using Pointwise V-Information [100.03188187735624]
  PLMとPVI(pointwise V-information)に基づく新しい手法を導入し,モデル学習におけるデータポイントの有用性を計測する。 提案手法はまず,学習データの小さなシード上でPLMを微調整し,与えられた意図に対応する発話を新たに生成する。 そこで本手法は,大規模言語モデルの表現力を活用し,多様な学習データを生成する。
  論文  参考訳（メタデータ） (2023-02-10T07:37:49Z)
• Federated Privacy-preserving Collaborative Filtering for On-Device Next App Prediction [52.16923290335873]
  本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。 古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。 提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
  論文  参考訳（メタデータ） (2023-02-05T10:29:57Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)
• SideInfNet: A Deep Neural Network for Semi-Automatic Semantic Segmentation with Side Information [83.03179580646324]
  本稿では,新たなディープニューラルネットワークアーキテクチャであるSideInfNetを提案する。 画像から学習した機能とユーザアノテーションから抽出したサイド情報を統合する。 提案手法を評価するために,提案したネットワークを3つのセマンティックセグメンテーションタスクに適用し,ベンチマークデータセットに対する広範な実験を行った。
  論文  参考訳（メタデータ） (2020-02-07T06:10:54Z)

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。