Fugu-MT 論文翻訳(概要): BRAIN L: A book recommender system

論文の概要: BRAIN L: A book recommender system

arxiv url: http://arxiv.org/abs/2302.00653v1
Date: Wed, 25 Jan 2023 09:03:14 GMT
ステータス: 処理完了
システム内更新日: 2023-02-06 00:09:22.518587
Title: BRAIN L: A book recommender system
Title（参考訳）: BRAIN L:本推薦システム
Authors: Jessie Caridad Mart\'in Sujo and Elisabet Golobardes i Rib\'e
Abstract要約: 本研究は,出版業界に特化して,人工知能と自然言語(BRAIN L)における推論の基盤(Base of Reasoning in Artificial Intelligence with Natural Language)を提案する。人工知能(AI)、自然言語処理(NLP)、テコログア・デル・機械学習の新たな知識分野は、書籍レコメンデーションのためのケースベース推論(CBR)技術と組み合わせられている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Book sales in Spain have fallen progressively, which requires urgent changes to optimize the sales process as much as possible. This research proposes a new system, called Base of Reasoning in Artificial Intelligence with Natural Language (BRAIN L) focused exclusively on the publishing industry. The new field of knowledge of Artificial Intelligence (AI), Natural Language Processing (NLP), tecnolog\'ia del Machine Learning is combined with Case-Based Reasoning (CBR) techniques for book recommendations. A model is developed to retrieve similar cases/books supported by NLP techniques for decision making. In addition, policies are implemented to keep the model evaluated by expert reviews, where the system not only learns with new cases, but these cases are real.
Abstract（参考訳）: スペインの書籍販売は徐々に減少しており、販売プロセスを可能な限り最適化するために急激な変更が必要である。本研究では,出版専門の自然言語(brain l)を用いた人工知能における推論基盤(base of reasoning in artificial intelligence)という新しいシステムを提案する。人工知能(AI)、自然言語処理(NLP)、テクノログ(Tecnolog\'ia del Machine Learning)の新たな知識分野は、書籍レコメンデーションのためのケースベース推論(CBR)技術と組み合わせられている。意思決定のためのNLP技術でサポートされている類似事例/書籍を検索するモデルを開発した。加えて、システムは、新しいケースで学習するだけでなく、これらのケースが本物であるような専門家レビューによってモデルを評価するためにポリシーが実行されます。

関連論文リスト

NL2OR: Solve Complex Operations Research Problems Using Natural Language Inputs [9.105616622623629]
オペレーションリサーチ(OR)は、数学的モデルを使用して意思決定を強化するが、これらのモデルを開発するには専門家の知識が必要であり、時間を要する可能性がある。本稿では,Large Language Model (LLM) の最近の進歩を利用して,自然言語を用いて表現された非専門的ユーザクエリからORソリューションを作成し,編集する手法を提案する。
論文参考訳（メタデータ） (2024-08-14T03:42:53Z)
Deep Learning Approaches for Improving Question Answering Systems in Hepatocellular Carcinoma Research [0.0]
近年,自然言語処理(NLP)の進歩は,ディープラーニング技術によって加速されている。膨大な量のデータに基づいてトレーニングされたBERTとGPT-3は、言語理解と生成に革命をもたらした。本稿では,大規模モデルベースNLPの現状と今後の展望について述べる。
論文参考訳（メタデータ） (2024-02-25T09:32:17Z)
Practical Guidelines for the Selection and Evaluation of Natural Language Processing Techniques in Requirements Engineering [8.779031107963942]
自然言語(NL)は現在、要求自動化の基盤となっている。多くの異なるNLPソリューション戦略が利用可能であるため、特定のREタスクに対して適切な戦略を選択することは困難である。特に,従来のNLP,特徴ベース機械学習,言語モデルに基づく手法など,さまざまな戦略を選択する方法について議論する。
論文参考訳（メタデータ） (2024-01-03T02:24:35Z)
Trustworthy Machine Learning [57.08542102068706]
信頼に値する機械学習(TML)に関する教科書は、TMLの4つの重要なトピックの理論的および技術的な背景をカバーしている。本稿では、上記の分野に関する重要な古典的・現代的な研究論文について論じ、その基礎となる直観を解明し、接続する。
論文参考訳（メタデータ） (2023-10-12T11:04:17Z)
Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
論文参考訳（メタデータ） (2023-07-05T06:03:40Z)
Requirement Formalisation using Natural Language Processing and Machine Learning: A Systematic Review [11.292853646607888]
我々は,要求工学におけるNLP技術とML技術の現状を概説するために,体系的な文献レビューを行った。 NLPアプローチは、構造化データと半構造化データに対する一次操作である自動RFに使用される最も一般的なNLP手法であることがわかった。また,本研究では,従来のML技術が研究に大きく貢献する代わりに,Deep Learning(DL)技術が広く用いられていることも明らかにした。
論文参考訳（メタデータ） (2023-03-18T17:36:21Z)
The Recent Advances in Automatic Term Extraction: A survey [8.804984280269087]
自動項抽出(ATE)は自然言語処理(NLP)タスクであり、ドメイン固有のコーパスから用語を手動で識別する作業を容易にする。本稿では、Transformerベースのニューラルモデルに焦点をあてて、深層学習に基づくATEへのアプローチに関する包括的調査を行う。この研究は、機能工学と非神経教師あり学習アルゴリズムに基づく、これらのシステムと以前のATEアプローチの比較も提供する。
論文参考訳（メタデータ） (2023-01-17T09:02:15Z)
Investigating Fairness Disparities in Peer Review: A Language Model Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文参考訳（メタデータ） (2022-11-07T16:19:42Z)
Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
論文参考訳（メタデータ） (2021-02-23T08:07:22Z)
Retrieving and Reading: A Comprehensive Survey on Open-domain Question Answering [62.88322725956294]
OpenQAの最近の研究動向を概観し、特にニューラルMSC技術を導入したシステムに注目した。 Retriever-Reader' と呼ばれる最新の OpenQA アーキテクチャを導入し、このアーキテクチャに従うさまざまなシステムを分析します。次に、OpenQAシステムの開発における主要な課題について議論し、一般的に使用されるベンチマークの分析を提供する。
論文参考訳（メタデータ） (2021-01-04T04:47:46Z)
Discovering Reinforcement Learning Algorithms [53.72358280495428]
強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。本稿では,更新ルール全体を検出するメタラーニング手法を提案する。これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
論文参考訳（メタデータ） (2020-07-17T07:38:39Z)

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。