論文の概要: Teacher-Student Learning on Complexity in Intelligent Routing

• arxiv url: http://arxiv.org/abs/2402.15665v1
• Date: Sat, 24 Feb 2024 00:40:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 17:29:35.535450
• Title: Teacher-Student Learning on Complexity in Intelligent Routing
• Title（参考訳）: 知的ルーティングにおける複雑度に関する教師学生の学習
• Authors: Shu-Ting Pi, Michael Yang, Yuying Zhu, Qun Liu
• Abstract要約: 我々は、顧客の連絡先の複雑さを予測する機械学習フレームワークを開発し、それらを適切なエージェントにルーティングする。 実験によると、このようなフレームワークは成功しており、顧客のエクスペリエンスを大幅に改善できる。 本稿では、顧客サービスの有効性を統計的に評価する、複雑性AUCと呼ばれる有用な指標を提案する。
• 参考スコア（独自算出の注目度）: 19.32977689162711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Customer service is often the most time-consuming aspect for e-commerce websites, with each contact typically taking 10-15 minutes. Effectively routing customers to appropriate agents without transfers is therefore crucial for e-commerce success. To this end, we have developed a machine learning framework that predicts the complexity of customer contacts and routes them to appropriate agents accordingly. The framework consists of two parts. First, we train a teacher model to score the complexity of a contact based on the post-contact transcripts. Then, we use the teacher model as a data annotator to provide labels to train a student model that predicts the complexity based on pre-contact data only. Our experiments show that such a framework is successful and can significantly improve customer experience. We also propose a useful metric called complexity AUC that evaluates the effectiveness of customer service at a statistical level.
• Abstract（参考訳）: 顧客サービスは電子商取引サイトにとって最も時間がかかり、それぞれの連絡先は通常10～15分かかる。 したがって、顧客を転送なしで適切なエージェントにルーティングすることは、電子商取引の成功に不可欠である。 そこで我々は,顧客との接点の複雑さを予測し,適切なエージェントにルーティングする機械学習フレームワークを開発した。 この枠組みは2つの部分からなる。 まず,教師モデルを用いて,接触後の書き起こしに基づいて,接触の複雑さを評価する。 次に,教師モデルをデータアノテータとして使用して,事前接触データのみに基づいて複雑性を予測する学生モデルをトレーニングするラベルを提供する。 我々の実験は、このようなフレームワークが成功し、顧客の体験を大幅に改善できることを示している。 また,顧客サービスの有効性を統計的に評価する,複雑性AUCと呼ばれる有用な指標を提案する。

関連論文リスト

• Federated Learning with Only Positive Labels by Exploring Label Correlations [78.59613150221597]
  フェデレートラーニングは、プライバシー上の制約の下で複数のユーザのデータを使用することで、モデルを協調的に学習することを目的としている。 本稿では,フェデレート学習環境下でのマルチラベル分類問題について検討する。 ラベル相関(FedALC)を探索してフェデレート平均化(Federated Averaging)と呼ばれる新しい,汎用的な手法を提案する。
  論文  参考訳（メタデータ） (2024-04-24T02:22:50Z)
• Contact Complexity in Customer Service [21.106010378612876]
  カスタマーサービスサポートに手を差し伸べる顧客は、複雑さのさまざまな問題に直面している可能性がある。 これに取り組むために、顧客の問題の複雑さを正確に予測する機械学習モデルが非常に望ましい。 我々は,接触複雑性を定義するための新しい機械学習手法を開発した。
  論文  参考訳（メタデータ） (2024-02-24T00:09:27Z)
• Retrieval as Attention: End-to-end Learning of Retrieval and Reading within a Single Transformer [80.50327229467993]
  学習した1つのモデルが競合検索とQA性能の両方を達成可能であることを示す。 エンドツーエンド適応は、教師なし設定と教師なし設定の両方において、ドメイン外のデータセットのパフォーマンスを大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2022-12-05T04:51:21Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• 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)
• FedKD: Communication Efficient Federated Learning via Knowledge Distillation [56.886414139084216]
  フェデレーション学習は、分散データからインテリジェントモデルを学ぶために広く使用されている。 フェデレートラーニングでは、クライアントはモデルラーニングの各イテレーションでローカルモデルの更新を伝える必要がある。 本稿では,知識蒸留に基づくコミュニケーション効率のよいフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2021-08-30T15:39:54Z)
• Aggregated Customer Engagement Model [0.571097144710995]
  Eコマースウェブサイトは、機械学習によるランキングモデルを使用して、顧客に対してショッピング結果を提供する。 新規または過小評価された製品は、十分な顧客エンゲージメント信号を持っておらず、人気製品に並ぶと不利になる。 本稿では,1日以内にすべての顧客エンゲージメントを集約し,同じクエリを入力トレーニングデータとして使用する新しいデータキュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T20:58:10Z)
• Federated Action Recognition on Heterogeneous Embedded Devices [16.88104153104136]
  本研究では,限られた計算能力を持つクライアントが行動認識を行うことを可能にする。 我々はまず,大規模なデータセットの知識蒸留を通じて,中央サーバでモデル圧縮を行う。 より小さなデータセットに存在する限られたデータは、アクション認識モデルが複雑な時間的特徴を学習するのに十分なものではないため、微調整が必要である。
  論文  参考訳（メタデータ） (2021-07-18T02:33:24Z)
• A Semi-supervised Multi-task Learning Approach to Classify Customer Contact Intents [6.267558847860381]
  EコマースのWebサイト上で、顧客サポートサービスのためのテキストベースの意図分類モデルを構築します。 我々は、モデルをマルチクラス分類からセミ教師付きマルチタスク学習に進化させることにより、性能を著しく向上させる。 評価において、最終モデルは、ベースラインの微調整されたマルチクラス分類ALBERTモデルと比較して平均AUC ROCを約20ポイント向上させる。
  論文  参考訳（メタデータ） (2021-06-10T16:13:05Z)
• Distantly Supervised Transformers For E-Commerce Product QA [5.460297795256275]
  Eコマースサービスの商品ページで、実用的なインスタント質問回答(QA)システムを提案します。 ユーザクエリごとに、関連するコミュニティの質問回答(CQA)ペアが取得される。 提案するトランスフォーマーモデルでは,統一構文表現と意味表現を共同学習し,堅牢な関連性関数を学習する。
  論文  参考訳（メタデータ） (2021-04-07T06:37:16Z)
• Federated Semi-Supervised Learning with Inter-Client Consistency & Disjoint Learning [78.88007892742438]
  ラベル付きデータの位置に基づくFSSL(Federated Semi-Supervised Learning)の2つの重要なシナリオについて検討する。 フェデレートマッチング(FedMatch)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-22T09:43:41Z)

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。