論文の概要: Delivery Issues Identification from Customer Feedback Data

• arxiv url: http://arxiv.org/abs/2112.13372v1
• Date: Sun, 26 Dec 2021 12:41:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-29 04:54:52.309366
• Title: Delivery Issues Identification from Customer Feedback Data
• Title（参考訳）: 顧客フィードバックデータからデリバリの問題を特定する
• Authors: Ankush Chopra, Mahima Arora, Shubham Pandey
• Abstract要約: 本稿では、テキストコメントやアップロードされた画像から顧客からのフィードバックを用いて、これらの問題を見つける方法を示す。 テキストモデルとイメージモデルの両方でトランスファーラーニングを使用して、数千のラベル付きサンプルの需要を最小限にしました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Millions of packages are delivered successfully by online and local retail stores across the world every day. The proper delivery of packages is needed to ensure high customer satisfaction and repeat purchases. These deliveries suffer various problems despite the best efforts from the stores. These issues happen not only due to the large volume and high demand for low turnaround time but also due to mechanical operations and natural factors. These issues range from receiving wrong items in the package to delayed shipment to damaged packages because of mishandling during transportation. Finding solutions to various delivery issues faced by both sending and receiving parties plays a vital role in increasing the efficiency of the entire process. This paper shows how to find these issues using customer feedback from the text comments and uploaded images. We used transfer learning for both Text and Image models to minimize the demand for thousands of labeled examples. The results show that the model can find different issues. Furthermore, it can also be used for tasks like bottleneck identification, process improvement, automating refunds, etc. Compared with the existing process, the ensemble of text and image models proposed in this paper ensures the identification of several types of delivery issues, which is more suitable for the real-life scenarios of delivery of items in retail businesses. This method can supply a new idea of issue detection for the delivery of packages in similar industries.
• Abstract（参考訳）: 何百万ものパッケージが、世界中のオンラインやローカルの小売店で毎日成功している。 顧客満足度を高め、購入を繰り返すためには、パッケージの適切な配送が必要である。 これらの配達は店の努力にもかかわらず様々な問題を抱えている。 これらの問題は、大量かつ低回転時間に対する高い需要のためだけでなく、機械的な操作や自然要因によるものである。 これらの問題はパッケージ内の間違ったアイテムの受信から出荷の遅延、輸送中の誤操作によるパッケージの破損まで多岐にわたる。 送受信双方が直面するさまざまなデリバリ問題に対する解決策を見つけることは、プロセス全体の効率を高める上で重要な役割を果たす。 本稿では,テキストコメントとアップロード画像からの顧客フィードバックを用いて,これらの問題を見つける方法を示す。 テキストモデルとイメージモデルの両方で転送学習を使用して、数千のラベル付きサンプルの需要を最小限にしました。 その結果,モデルが異なる問題を見出すことができた。 さらに、ボトルネックの特定、プロセスの改善、返金の自動化などのタスクにも使用できる。 既存のプロセスと比較して,本論文で提案するテキストと画像のアンサンブルは,小売業における商品の実際の配送シナリオに適した,いくつかのタイプの配送問題の特定を確実にするものである。 この手法は、類似産業におけるパッケージの配送における問題検出の新しいアイデアを提供することができる。

関連論文リスト

• Algorithmic Persuasion Through Simulation [51.23082754429737]
  本研究では,受取人に製品購入などの二元的行動を取るよう説得するベイズ説得ゲームについて検討する。 送信者は、製品の品質が高いか低いかなどの世界の(バイナリ)状態について通知されるが、受信者の信念やユーティリティに関する情報は限られている。 顧客の調査やユーザスタディ、最近のAIの進歩によって動機づけられた私たちは、受信者の振る舞いをシミュレートする託宣をクエリすることで、送信側が受信者についてより深く学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-29T23:01:33Z)
• Unifying Image Processing as Visual Prompting Question Answering [62.84955983910612]
  画像処理はコンピュータビジョンの基本的な課題であり、画像の品質を高め、その後の視覚アプリケーションに不可欠な特徴を抽出することを目的としている。 伝統的に、タスク固有のモデルは個々のタスクのために開発され、そのようなモデルの設計には異なる専門知識が必要である。 本稿では,画像復元,画像強調,画像特徴抽出タスクを網羅する汎用画像処理モデルを提案する。
  論文  参考訳（メタデータ） (2023-10-16T15:32:57Z)
• Thought Propagation: An Analogical Approach to Complex Reasoning with Large Language Models [62.96551299003463]
  大規模言語モデルの複雑な推論能力を高めるために,textbftextitThought Propagation (TP)を提案する。 TP はまず LLM に対して,入力問題に関連する類似問題の集合を提案し,解決するよう促す。 TPは、類似問題の結果を再利用して、新しいソリューションを直接生成したり、スクラッチから得られた初期ソリューションを修正するための知識集約的な実行プランを導出する。
  論文  参考訳（メタデータ） (2023-10-06T01:40:09Z)
• Generating Persuasive Responses to Customer Reviews with Multi-Source Prior Knowledge in E-commerce [11.586256303135329]
  顧客レビューは通常、自分のオンラインショッピング体験に関する多くの情報を含んでいる。 各否定的なレビューに対して慎重にかつ説得力を持って回答し、その不利な効果を最小限に抑えることが不可欠である。 説得応答生成のためのマルチソースマルチアスペクト注意生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-09-20T06:20:45Z)
• E-Commerce Dispute Resolution Prediction [69.84319333335935]
  我々は、紛争解決における人間のエージェントを大規模に支援する第一歩を踏み出す。 eBayのオンラインマーケットプレースから大規模な論争のデータセットを構築し、いくつかの興味深い行動パターンと言語パターンを特定します。 次に、高い精度で論争の結果を予測するために分類器を訓練する。
  論文  参考訳（メタデータ） (2021-10-13T09:45:06Z)
• A Deep Reinforcement Learning Approach for Constrained Online Logistics Route Assignment [4.367543599338385]
  物流業界にとって、各出荷区画に適切な物流ルートを割り当てる方法が不可欠である。 このオンライン経路割り当て問題は、制約付きオンライン意思決定問題とみなすことができる。 我々はPPO-RAと呼ばれるモデルフリーDRLアプローチを開発し、経路割当(RA)の課題に対処する専用の技術を用いてPPO(Pximal Policy Optimization)を改善した。
  論文  参考訳（メタデータ） (2021-09-08T07:27:39Z)
• A Deep Reinforcement Learning Approach for the Meal Delivery Problem [1.5391321019692434]
  一日に一組の宅配業者に与えられた動的顧客要求を満たす食事配達サービスについて検討する。 私たちはこのサービスをマルコフ決定プロセスとしてモデル化し、ソリューションアプローチとして深層強化学習を使用します。 本研究は,ある日に異なる順序周波数のクーリエの割り当てプロセスと最適なクーリエ数の両方について有意な知見を与える。
  論文  参考訳（メタデータ） (2021-04-24T19:01:59Z)
• Fully-Automated Packaging Structure Recognition in Logistics Environments [60.56493342808093]
  包装構造認識の完全自動化手法を提案する。 我々のアルゴリズムは深層学習モデルに基づいており、より正確に畳み込みニューラルネットワークを用いて画像のセグメント化を行う。 テストケースの約85%でパッケージ構造を正しく認識することができ、さらに一般的なパッケージタイプに注目する場合(91%)にさらに多くのパッケージ構造を認識できることを示す。
  論文  参考訳（メタデータ） (2020-08-11T10:57:23Z)
• Think out of the package: Recommending package types for e-commerce shipments [2.741530713365541]
  複数の製品属性は、eコマース企業が製品を出荷するために使用するパッケージタイプを決定する。 準最適パッケージタイプは、出荷が損傷し、巨額の損害を被った。 本稿では,製品毎の出荷コストと損害コストをトレードオフする多段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-05T05:27:51Z)
• Multimodal Categorization of Crisis Events in Social Media [81.07061295887172]
  本稿では,画像とテキストの両方を入力として利用するマルチモーダル融合法を提案する。 特に、弱モダリティから非形式的および誤解を招くコンポーネントをフィルタリングできるクロスアテンションモジュールを導入する。 本手法は,3つの危機関連タスクにおいて,一様アプローチと強いマルチモーダルベースラインを大きなマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-04-10T06:31:30Z)

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。