論文の概要: SSR-TA: Sequence to Sequence based expert recurrent recommendation for
ticket automation
- arxiv url: http://arxiv.org/abs/2301.12612v1
- Date: Mon, 30 Jan 2023 02:13:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 16:03:29.602109
- Title: SSR-TA: Sequence to Sequence based expert recurrent recommendation for
ticket automation
- Title（参考訳）: ssr-ta: チケット自動化のためのシーケンスからシーケンスベースの専門家リカレントレコメンデーション
- Authors: Chenhan Cao, Xiaoyu Fang, Bingqing Luo and Bin Xia
- Abstract要約: 本稿では,チケットの適切な専門家を推薦するために,シーケンシャル・シーケンスベース翻訳モデルとリカレント・レコメンデーション・ネットワークを組み合わせることを提案する。
実世界の2つのデータセット上で,複数のベースラインをSSR-TAと比較する実験を行った。
- 参考スコア（独自算出の注目度）: 2.569295887779268
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ticket automation provides crucial support for the normal operation of IT
software systems. An essential task of ticket automation is to assign experts
to solve upcoming tickets. However, facing thousands of tickets, inappropriate
assignments will make tickets transfer frequently among experts, which causes
time delays and wasted resources. Effectively and efficiently finding an
appropriate expert in fewer steps is vital to ticket automation. In this paper,
we proposed a sequence to sequence based translation model combined with a
recurrent recommendation network to recommend appropriate experts for tickets.
The sequence to sequence model transforms the ticket description into the
corresponding resolution for capturing the potential and useful features of
representing tickets. The recurrent recommendation network recommends the
appropriate expert based on the assumption that the previous expert in the
recommendation sequence cannot solve the expert. To evaluate the performance,
we conducted experiments to compare several baselines with SSR-TA on two
real-world datasets, and the experimental results show that our proposed model
outperforms the baselines. The comparative experiment results also show that
SSR-TA has a better performance of expert recommendations for user-generated
tickets.
- Abstract（参考訳）: チケットの自動化は、ITソフトウェアシステムの正常な運用に対する重要なサポートを提供する。
チケット自動化の重要な課題は、来るべきチケットの解決に専門家を割り当てることである。
しかし、何千ものチケットに直面し、不適切な割り当てによって専門家の間でチケットの転送が頻繁に行われ、時間の遅れやリソースの浪費が生じる。
チケットの自動化には,より少ないステップで適切な専門家を効果的かつ効率的に見つけることが不可欠です。
本稿では,チケットに適切な専門家を推薦するために,反復レコメンデーションネットワークと組み合わせたシーケンストシーケンスベース翻訳モデルを提案する。
シーケンシャル・トゥ・シーケンシャル・モデルはチケット記述を対応する解像度に変換し、チケット表現の潜在的かつ有用な特徴をキャプチャする。
リカレントレコメンデーションネットワークは、レコメンデーションシーケンスの前の専門家が専門家を解決できないという仮定に基づいて、適切な専門家を推薦する。
実世界の2つのデータセットにおいて,複数のベースラインをssr-taと比較する実験を行い,提案モデルがベースラインを上回ることを示した。
比較実験の結果,SSR-TAは,ユーザ生成チケットのエキスパートレコメンデーションの性能が向上していることがわかった。
関連論文リスト
- Query Optimization for Parametric Knowledge Refinement in Retrieval-Augmented Large Language Models [26.353428245346166]
Extract-Refine-Retrieve-Read (ERRR)フレームワークは、Retrieval-Augmented Generation (RAG)システムにおける事前検索情報ギャップを埋めるように設計されている。
RAGで使用される従来のクエリ最適化手法とは異なり、ERRRフレームワークはLarge Language Models (LLM) から知識を抽出することから始まる。
論文 参考訳（メタデータ） (2024-11-12T14:12:45Z) - Unified Active Retrieval for Retrieval Augmented Generation [69.63003043712696]
Retrieval-Augmented Generation (RAG)では、検索は必ずしも役に立たない。
既存のアクティブ検索手法は2つの課題に直面している。
彼らは通常、様々な種類の命令を扱うのに苦労する単一の基準に頼っている。
それらは特殊で高度に区別された手順に依存しており、それらを組み合わせることでRAGシステムはより複雑になる。
論文 参考訳（メタデータ） (2024-06-18T12:09:02Z) - Inverse Reinforcement Learning with Sub-optimal Experts [56.553106680769474]
与えられた専門家の集合と互換性のある報酬関数のクラスの理論的性質について検討する。
以上の結果から,複数の準最適専門家の存在が,相反する報酬の集合を著しく減少させる可能性が示唆された。
我々は,最適なエージェントの1つに十分近い準最適専門家のパフォーマンスレベルが最適である場合に,最小限の最適化を行う一様サンプリングアルゴリズムを解析する。
論文 参考訳（メタデータ） (2024-01-08T12:39:25Z) - MISSRec: Pre-training and Transferring Multi-modal Interest-aware
Sequence Representation for Recommendation [61.45986275328629]
逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。
ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。
候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
論文 参考訳（メタデータ） (2023-08-22T04:06:56Z) - Towards Validating Long-Term User Feedbacks in Interactive
Recommendation Systems [36.45966630580796]
対話型レコメンダシステム(IRS)は,ユーザとレコメンダシステム間の対話的プロセスをモデル化する能力から,多くの注目を集めている。
レビューデータセットを用いてIRSの実験を再考し、RLベースのモデルと単純な報酬モデルを比較した。
論文 参考訳（メタデータ） (2023-08-22T02:34:47Z) - Learning to Solve Multiple-TSP with Time Window and Rejections via Deep
Reinforcement Learning [36.07067163589422]
本稿では,トラベリングセールスマン問題(TSP)の難易度・難易度に対処するマネージャ・ワーカー・フレームワークを提案する。
提案フレームワークでは,MTSPTWRをグラフアイソモーフィックネットワーク(GIN)ベースのポリシネットワークを通じて,各車両に顧客を割り当てることで,サブルーチンタスクに分割することを学ぶ。
作業者エージェントは、各車両の走行距離と拒絶率の両方の観点からコストを最小化し、サブルーチンタスクの解決を学習し、その最大値を管理者エージェントに送り、より良い課題を学習する。
論文 参考訳（メタデータ） (2022-09-13T15:44:48Z) - SuperTickets: Drawing Task-Agnostic Lottery Tickets from Supernets via
Jointly Architecture Searching and Parameter Pruning [35.206651222618675]
本稿では,効率的なディープニューラルネットワーク(DNN)とその宝くじ(宝くじ)のための2対1のトレーニング手法を提案する。
我々は、従来のスパーストレーニングよりも精度と効率のトレードオフを達成し、プログレッシブで統一されたスーパーチケット識別戦略を開発する。
論文 参考訳（メタデータ） (2022-07-08T03:44:34Z) - Optimizing Test-Time Query Representations for Dense Retrieval [34.61821330771046]
TOURは、テスト時間検索の結果によってガイドされるクエリ表現を改善する。
我々は、クロスエンコーダのリランカを利用して、検索結果よりもきめ細かい擬似ラベルを提供する。
TOURは1.3-2.4倍高速で実行しながら、常に最大2.0%のダイレクトリランクを改善する。
論文 参考訳（メタデータ） (2022-05-25T11:39:42Z) - Dual Lottery Ticket Hypothesis [71.95937879869334]
Lottery Ticket hypothesis (LTH)は、スパースネットワークトレーニングを調査し、その能力を維持するための新しい視点を提供する。
本稿では,LTHの当選チケットをトレーニング可能なサブネットワークとして,その性能をベンチマークとして検討する。
本稿では,簡単なスパースネットワークトレーニング戦略であるランダムスパースネットワークトランスフォーメーション(RST)を提案し,DLTHを裏付ける。
論文 参考訳（メタデータ） (2022-03-08T18:06:26Z) - Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。
本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。
我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
論文 参考訳（メタデータ） (2022-02-02T16:21:20Z) - Sanity Checks for Lottery Tickets: Does Your Winning Ticket Really Win
the Jackpot? [90.50740705956638]
主要なDNNアーキテクチャおよび/またはアプリケーションに勝利のチケットが存在するかどうかを明らかにするための具体的な証拠を示す。
学習率や学習エポックといった重要なトレーニングハイパーパラメータは,それぞれ,優勝チケットを特定できるかどうかと高い相関関係があることが判明した。
論文 参考訳（メタデータ） (2021-07-01T01:27:07Z)
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。