論文の概要: Users Approach on Providing Feedback for Smart Home Devices
- arxiv url: http://arxiv.org/abs/2312.12466v1
- Date: Tue, 19 Dec 2023 03:18:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 18:23:45.489239
- Title: Users Approach on Providing Feedback for Smart Home Devices
- Title（参考訳）: スマートホームデバイスに対するフィードバック提供に関するユーザアプローチ
- Authors: Santhosh Pogaku
- Abstract要約: 簡単なランダムサンプリングで選択した3～5人の学生を対象に,オンライン調査を実施している。
われわれは、ほとんどのユーザーが、プロダクトのサービスと品質を即興で改善するために、スマートホームデバイスへのフィードバックを積極的に共有する準備が整っていることを見てきた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Smart Home technology has accomplished extraordinary interest in making
individuals' lives more straightforward and more relaxing as of late.
Technology as of late brought about delivering numerous savvy and refined
frameworks which advanced clever living innovation. In this paper, we will be
investigating the behavioural intention of user's approach on providing
feedback for smart home devices. We will be conducting an online survey for
sample of three to five students selected by simple random sampling to study
the user's motto for giving feedback on smart home devices and their
expectations. We have observed that most users are ready to share their
feedback on smart home devices actively to improvise the service and quality of
the product to fulfill the user needs and make their lives easier.
- Abstract（参考訳）: スマートホーム技術は、個人の生活をより簡単にし、よりリラックスさせることに非常に関心を寄せています。
技術は、多くの精巧で洗練されたフレームワークを提供し、賢く生きたイノベーションをもたらした。
本稿では,スマートホームデバイスに対するフィードバック提供に対するユーザのアプローチの行動意図について検討する。
私たちは、スマートホームデバイスとその期待に対するフィードバックを与えるユーザのモットーを研究するために、単純なランダムサンプリングで選択した3～5人の学生のオンライン調査を行います。
ユーザのニーズを満たすためにプロダクトのサービスと品質を即興で改善し、生活をより楽にするために、スマートホームデバイスへのフィードバックを積極的に共有する準備が整っていることを私たちは見てきた。
関連論文リスト
- Interactive Garment Recommendation with User in the Loop [77.35411131350833]
我々は,服を作るために補完的なアイテムを推奨するので,ユーザ反応を統合することでユーザプロファイルをその場で構築することを提案する。
本稿では,適切な衣服を提案し,ユーザのフィードバックを取り入れて推薦を改善することができる強化学習エージェントを提案する。
論文 参考訳（メタデータ） (2024-02-18T16:01:28Z) - Challenges and Opportunities for the Design of Smart Speakers [7.868449549351487]
これらのデバイスが市場の成長とVUI研究の本体に反映される可能性にもかかわらず、この技術はいまだにあまり使われていない、といううわさがある。
本稿は,VUI設計ガイドライン127点を5つのテーマに分類・合成するために,35の論文の体系的な文献レビューを行った。
我々は15名のスマートスピーカーユーザに対して,その使用状況と非使用状況を理解するため,半構造化インタビューを行った。
論文 参考訳（メタデータ） (2023-06-09T08:18:58Z) - Smart Home Environment Modelled with a Multi-Agent System [0.0]
スマートホームは、家電やシステムの管理が、自動化技術によって日々の生活に役立てられるような居住地と見なすことができる。
将来的には、在宅の健康状態のモニターが毎日健康な生活を維持できる。
論文 参考訳（メタデータ） (2023-03-28T08:09:08Z) - Reward Shaping for User Satisfaction in a REINFORCE Recommender [24.65853598093849]
本稿では,ユーザの満足度を満足するアクションを学習するためのポリシーネットワークと満足度計算ネットワークを提案する。
命令ネットワークの役割は、どのアクションがユーザに満足しているかを学習することであり、ポリシーネットワークは、REINFORCE上に構築され、どの項目を推奨するかを決定する。
論文 参考訳（メタデータ） (2022-09-30T01:29:12Z) - Who Are the Best Adopters? User Selection Model for Free Trial Item
Promotion [41.58621061329645]
SMILEという新しいフリートライアルユーザ選択モデルを提案する。
エージェントがフリートライアル後の利益の最大化を目的とした特定の採用者を積極的に選択する強化学習(RL)に基づいている。
具体的には、アクション空間を再構成するツリー構造を設計し、巨大なユーザ空間から採用者を効率的に選択できるようにする。
論文 参考訳（メタデータ） (2022-02-19T03:07:23Z) - Towards Personalized Answer Generation in E-Commerce via
Multi-Perspective Preference Modeling [62.049330405736406]
Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。
なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。
PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
論文 参考訳（メタデータ） (2021-12-27T07:51:49Z) - StudyMe: A New Mobile App for User-Centric N-of-1 Trials [68.8204255655161]
N-of-1臨床試験は、個人が個人の健康目標に対する介入の効果を体系的に評価できる多種多様な自己実験である。
StudyMeはオープンソースのモバイルアプリで、https://play.google.com/store/apps/details?id=health.studyu.me.comから無料で利用できる。
論文 参考訳（メタデータ） (2021-07-31T20:43:36Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-06-05T01:33:21Z) - KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting [52.623349754076024]
KnowledgeCheckRに統合された推奨アプローチの概要を提供します。
その例としては,将来的に繰り返される学習内容の識別を支援するユーティリティベースのレコメンデーション,セッションベースのレコメンデーションを実装するための協調フィルタリングアプローチ,インテリジェントな質問応答を支援するコンテントベースのレコメンデーションなどがある。
論文 参考訳（メタデータ） (2021-02-15T20:06:28Z) - Context-Aware Target Apps Selection and Recommendation for Enhancing
Personal Mobile Assistants [42.25496752260081]
本論文では,効果的なパーソナルモバイルアシスタントの開発に不可欠な2つの研究課題について述べる。
ここでは,モバイルデバイスで利用可能なリッチなコンテキスト情報を活用するために,コンテキスト認識モデルに注目する。
本稿では,ユーザの逐次的,時間的,個人的行動を考慮した文脈認識型ニューラルモデル群を提案する。
論文 参考訳（メタデータ） (2021-01-09T17:07:47Z) - 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)
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。