論文の概要: An explainable machine learning-based approach for analyzing customers'
online data to identify the importance of product attributes
- arxiv url: http://arxiv.org/abs/2402.05949v1
- Date: Sat, 3 Feb 2024 20:50:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 14:36:30.999032
- Title: An explainable machine learning-based approach for analyzing customers'
online data to identify the importance of product attributes
- Title（参考訳）: 説明可能な機械学習による顧客のオンラインデータ分析による製品属性の重要性の同定
- Authors: Aigin Karimzadeh, Amir Zakery, Mohammadreza Mohammadi, Ali Yavari
- Abstract要約: 本稿では,製品開発におけるデザインの包括的意味を抽出するゲーム理論機械学習(ML)手法を提案する。
提案手法をKaggleの実際のラップトップのデータセットに適用し,結果に基づいて設計上の意味を導出する。
- 参考スコア（独自算出の注目度）: 0.6437284704257459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online customer data provides valuable information for product design and
marketing research, as it can reveal the preferences of customers. However,
analyzing these data using artificial intelligence (AI) for data-driven design
is a challenging task due to potential concealed patterns. Moreover, in these
research areas, most studies are only limited to finding customers' needs. In
this study, we propose a game theory machine learning (ML) method that extracts
comprehensive design implications for product development. The method first
uses a genetic algorithm to select, rank, and combine product features that can
maximize customer satisfaction based on online ratings. Then, we use SHAP
(SHapley Additive exPlanations), a game theory method that assigns a value to
each feature based on its contribution to the prediction, to provide a
guideline for assessing the importance of each feature for the total
satisfaction. We apply our method to a real-world dataset of laptops from
Kaggle, and derive design implications based on the results. Our approach
tackles a major challenge in the field of multi-criteria decision making and
can help product designers and marketers, to understand customer preferences
better with less data and effort. The proposed method outperforms benchmark
methods in terms of relevant performance metrics.
- Abstract（参考訳）: オンライン顧客データは、顧客の好みを明らかにするため、製品デザインとマーケティング研究に貴重な情報を提供する。
しかし、データ駆動設計のために人工知能(AI)を用いてこれらのデータを分析することは、潜在的な隠蔽パターンのために難しい課題である。
また、これらの研究分野においては、ほとんどの研究は顧客ニーズの発見に限られている。
本研究では,製品開発における総合的な設計意味を抽出するゲーム理論機械学習(ML)手法を提案する。
この方法は、まず遺伝的アルゴリズムを使用して、オンライン評価に基づいて顧客満足度を最大化できる製品機能を選択し、ランク付けし、結合する。
そこで, SHAP (SHapley Additive exPlanations) は, 予測への貢献に基づいて各特徴に値を割り当てるゲーム理論であり, 全体の満足度を評価する上で, 特徴の重要性を評価するためのガイドラインを提供する。
本手法をkaggleから実世界のラップトップデータセットに適用し,その結果に基づいて設計の影響を導出する。
弊社のアプローチは、マルチ基準意思決定の分野における大きな課題に取り組み、製品デザイナーやマーケターが顧客の好みをより少ないデータと労力で理解できるようにする。
提案手法は,関連する性能指標でベンチマーク手法より優れている。
関連論文リスト
- 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) - LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。
LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。
我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文 参考訳（メタデータ） (2024-02-06T19:18:04Z) - GPT in Data Science: A Practical Exploration of Model Selection [0.7646713951724013]
この研究は、AI意思決定プロセスの理解を深めることにコミットしています。
我々の取り組みは、より透明で理解しやすいAIシステムの構築に向けられている。
論文 参考訳（メタデータ） (2023-11-20T03:42:24Z) - Making Machine Learning Datasets and Models FAIR for HPC: A Methodology
and Case Study [0.0]
FAIR Guiding Principlesは、デジタルコンテンツの発見可能性、アクセシビリティ、相互運用性、再利用性を改善することを目的としている。
これらの原則は、ハイパフォーマンスコンピューティングのための機械学習ベースのプログラム分析と最適化の分野において、まだ広く採用されていない。
我々は、既存のFAIRness評価と改善技術を調査した後、HPCデータセットと機械学習モデルFAIRを作成する手法を設計する。
論文 参考訳（メタデータ） (2022-11-03T18:45:46Z) - Efficient Real-world Testing of Causal Decision Making via Bayesian
Experimental Design for Contextual Optimisation [12.37745209793872]
文脈的意思決定の評価と改善のためのデータ収集のためのモデルに依存しないフレームワークを提案する。
過去の治療課題の後悔をデータ効率で評価するために,本手法を用いた。
論文 参考訳（メタデータ） (2022-07-12T01:20:11Z) - Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product
Retrieval [152.3504607706575]
本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。
まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。
我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
論文 参考訳（メタデータ） (2022-06-17T15:40:45Z) - Straggler-Resilient Personalized Federated Learning [55.54344312542944]
フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。
これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。
提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
論文 参考訳（メタデータ） (2022-06-05T01:14:46Z) - Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。
本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。
本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文 参考訳（メタデータ） (2021-01-24T05:40:29Z) - AI-based Modeling and Data-driven Evaluation for Smart Manufacturing
Processes [56.65379135797867]
本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。
本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-29T14:57:53Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-03-28T05:47:33Z) - Interpretable Personalization via Policy Learning with Linear Decision
Boundaries [14.817218449140338]
商品・サービスの効果的なパーソナライズは、企業が収益を改善し競争力を維持するための中核事業となっている。
本稿では政策学習のレンズを通してパーソナライズ問題を考察する。
本稿では、線形決定境界を持つポリシーのクラスを提案し、因果推論のツールを用いた学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-17T05:48:27Z)
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。