論文の概要: Digital Human Interactive Recommendation Decision-Making Based on
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2210.10638v1
- Date: Thu, 6 Oct 2022 16:01:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 20:35:09.933519
- Title: Digital Human Interactive Recommendation Decision-Making Based on
Reinforcement Learning
- Title(参考訳): 強化学習に基づくデジタルヒューマン対話型推薦意思決定
- Authors: Junwu Xiong (AntGroup)
- Abstract要約: 我々は、強化学習に基づく新しいデジタルヒューマンインタラクティブ・レコメンデーション・エージェント・フレームワークを設計する。
提案するフレームワークは,デジタル人間と顧客間の即時インタラクションを通じて学習する。
実際のビジネスデータの実験は、このフレームワークがより良い個人化された顧客エンゲージメントとより良い顧客エクスペリエンスを提供できることを示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital human recommendation system has been developed to help customers to
find their favorite products and is playing an active role in various
recommendation contexts. How to catch and learn the preferences of the
customers at the right time and meet the exact requirements of the customer
become crucial in the digital human recommendation. We design a novel practical
digital human interactive recommendation agent framework based on reinforcement
learning to improve the efficiency of interactive recommendation
decision-making by leveraging both the digital human features and the
superiority of reinforcement learning. The proposed framework learns through
immediate interactions among the digital human and customers dynamically
through stat-of-art reinforcement learning algorithms and embedding with
multimodal and graph embedding to improve the accuracy of the personalization
and thus enable the digital human agent to actively catch the attention of a
customer timely. Experiments on real business data show that this framework can
provide better-personalized customer engagement and better customer experiences
etc.
- Abstract(参考訳): デジタルヒューマンレコメンデーションシステムは、顧客がお気に入りの製品を見つけるのを助けるために開発されており、様々なレコメンデーションコンテキストでアクティブな役割を果たす。
適切なタイミングで顧客の好みをキャッチして学習し、顧客の正確な要求を満たすには、デジタルヒューマンレコメンデーションにおいて不可欠となる。
本研究では,デジタルヒューマン特徴と強化学習の優位性を両立し,インタラクティブな推薦意思決定の効率を向上させるために,強化学習に基づく新しい実践的デジタル人間対話型推薦エージェントフレームワークを設計した。
提案するフレームワークは,デジタル人間と顧客との直接的インタラクションを,stat-of-art強化学習アルゴリズムとマルチモーダルおよびグラフ埋め込みにより動的に学習し,パーソナライゼーションの精度を向上させる。
実際のビジネスデータの実験は、このフレームワークがより良い個人化された顧客エンゲージメントとより良い顧客エクスペリエンスを提供することができることを示している。
関連論文リスト
- Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。
動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
論文 参考訳(メタデータ) (2024-03-11T09:21:11Z) - Enhanced User Interaction in Operating Systems through Machine Learning
Language Models [17.09116903102371]
本稿では,大規模言語モデル,機械学習,ユーザインタラクション設計のレコメンデーションシステムやオペレーティングシステムへの応用の可能性について検討する。
インタラクション設計と機械学習の組み合わせは、製品やサービスのより効率的でパーソナライズされたユーザエクスペリエンスを提供する。
論文 参考訳(メタデータ) (2024-02-24T12:17:06Z) - Persona-DB: Efficient Large Language Model Personalization for Response
Prediction with Collaborative Data Refinement [82.56964750522161]
本稿では,タスクコンテキスト間の一般化を改善するため,階層的な構築プロセスからなるシンプルなフレームワークであるPersona-DBを紹介する。
応答予測のタスクでは,Persona-DBは,検索サイズを大幅に削減した精度を維持する上で,優れた効率性を示す。
我々の実験は、ユーザーが極めて少ないデータを持つ場合、コールドスタートシナリオで15%以上の顕著な改善が示されていることも示している。
論文 参考訳(メタデータ) (2024-02-16T20:20:43Z) - From Data to Decisions: The Transformational Power of Machine Learning
in Business Recommendations [0.0]
本研究は,機械学習(ML)がレコメンデーションシステム(RS)の進化と有効性に与える影響を探求することを目的とする。
この研究は、コンテンツがパーソナライズされ、好みの変化に動的に適応する、シームレスで直感的なオンライン体験に対するユーザの期待が高まることを明らかにする。
論文 参考訳(メタデータ) (2024-02-12T22:56:18Z) - Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。
Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
論文 参考訳(メタデータ) (2023-11-13T16:00:16Z) - RAH! RecSys-Assistant-Human: A Human-Centered Recommendation Framework
with LLM Agents [30.250555783628762]
この研究は、これらの問題に対処することは単にレコメンダシステムの責任ではないと主張している。
本稿では,RAH Recommenderシステム,Assistant,Humanフレームワークを紹介する。
私たちのコントリビューションは、さまざまなレコメンデーションモデルと効果的に連携する、人間中心のレコメンデーションフレームワークを提供します。
論文 参考訳(メタデータ) (2023-08-19T04:46:01Z) - Assisting Human Decisions in Document Matching [52.79491990823573]
我々は,意思決定者のパフォーマンスを向上する支援情報の種類を評価するためのプロキシマッチングタスクを考案した。
ブラックボックスモデルによる説明を提供することで,マッチング作業におけるユーザの精度が低下することが判明した。
一方,タスク固有のデシラタに密接に対応するように設計されたカスタムメソッドは,ユーザのパフォーマンス向上に有効であることが判明した。
論文 参考訳(メタデータ) (2023-02-16T17:45:20Z) - Learning When to Advise Human Decision Makers [12.47847261193524]
本稿では,アルゴリズムがユーザと双方向に対話するAIシステムの設計を提案する。
大規模な実験の結果,私たちのアドバイスアプローチは,必要な時にアドバイスを提供することができることがわかった。
論文 参考訳(メタデータ) (2022-09-27T17:52:13Z) - Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。
InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
論文 参考訳(メタデータ) (2020-11-04T12:12:25Z) - Human Engagement Providing Evaluative and Informative Advice for
Interactive Reinforcement Learning [2.5799044614524664]
この研究は、評価的または情報的という2つのアプローチのどちらが人間にとって好ましい指導的アプローチであるかを答えることに焦点を当てている。
結果は、ユーザーにより正確なアドバイスを提供し、学習者エージェントを長く支援し、エピソード毎により多くのアドバイスを提供することを示す。
論文 参考訳(メタデータ) (2020-09-21T02:14:02Z) - Knowledge-guided Deep Reinforcement Learning for Interactive
Recommendation [49.32287384774351]
インタラクティブレコメンデーションは、アイテムとユーザ間の動的インタラクションから学び、応答性と精度を達成することを目的としている。
本稿では,知識指導型深層強化学習を提案する。
論文 参考訳(メタデータ) (2020-04-17T05:26:47Z)
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。