論文の概要: Recommender systems and reinforcement learning for building control and occupant interaction: A text-mining driven review of scientific literature

• arxiv url: http://arxiv.org/abs/2411.08734v1
• Date: Wed, 13 Nov 2024 16:16:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:09:56.458601
• Title: Recommender systems and reinforcement learning for building control and occupant interaction: A text-mining driven review of scientific literature
• Title（参考訳）: 建築制御とユーザインタラクションのためのレコメンダシステムと強化学習--テキストマイニングによる科学文献のレビュー
• Authors: Wenhao Zhang, Matias Quintana, Clayton Miller,
• Abstract要約: 本研究は, テキストマイニングと自然言語処理(NLP)を用いて, 建物制御とユーザインタラクションにおけるこれらのアプローチについて検討する。 空間最適化,位置推薦,パーソナライズされた制御提案に対する推薦システムと強化学習を幅広く活用することを発見した。 本総説は,建築・屋内環境におけるレコメンデーションシステムと強化学習応用の展開の可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 3.507507375347555
• License:
• Abstract: The indoor environment greatly affects health and well-being; enhancing health and reducing energy use in these settings is a key research focus. With advancing Information and Communication Technology (ICT), recommendation systems and reinforcement learning have emerged as promising methods to induce behavioral changes that improve indoor environments and building energy efficiency. This study employs text-mining and Natural Language Processing (NLP) to examine these approaches in building control and occupant interaction. Analyzing approximately 27,000 articles from the ScienceDirect database, we found extensive use of recommendation systems and reinforcement learning for space optimization, location recommendations, and personalized control suggestions. Despite broad applications, their use in optimizing indoor environments and energy efficiency is limited. Traditional recommendation algorithms are commonly used, but optimizing indoor conditions and energy efficiency often requires advanced machine learning techniques like reinforcement and deep learning. This review highlights the potential for expanding recommender systems and reinforcement learning applications in buildings and indoor environments. Areas for innovation include predictive maintenance, building-related product recommendations, and optimizing environments for specific needs like sleep and productivity enhancements based on user feedback.
• Abstract（参考訳）: 屋内環境は健康と幸福に大きく影響し、これらの環境での健康の向上とエネルギー消費の削減が重要な研究課題である。 情報通信技術(ICT)の進歩に伴い、屋内環境を改善しエネルギー効率を高める行動変化を誘発する有望な手法としてレコメンデーションシステムや強化学習が出現している。 本研究は, テキストマイニングと自然言語処理(NLP)を用いて, 建物制御とユーザインタラクションにおけるこれらのアプローチについて検討する。 そこで,ScienceDirectデータベースから約27,000の論文を分析し,空間最適化,位置推薦,パーソナライズされた制御提案に対する推薦システムと強化学習を幅広く活用することを発見した。 広範に応用されているにもかかわらず、室内環境の最適化やエネルギー効率の向上には限界がある。 従来のレコメンデーションアルゴリズムは一般的に使用されるが、屋内条件とエネルギー効率を最適化するには、強化やディープラーニングのような高度な機械学習技術が必要となることが多い。 本総説は,建築・屋内環境におけるレコメンデーションシステムと強化学習応用の展開の可能性を明らかにするものである。 イノベーションの領域には、予測メンテナンス、ビルド関連製品レコメンデーション、ユーザフィードバックに基づいた睡眠や生産性の向上といった特定のニーズに対する最適化環境などがある。

関連論文リスト

• Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning [0.3495246564946556]
  本稿では,Deep Adaptive Interest Network(DAIN)と呼ばれる新しいモデルを提案する。 DAINはユーザの興味を動的にモデル化し、コンテキスト認識学習機構を導入し、正確で適応的なパーソナライズされたレコメンデーションを実現する。 いくつかの公開データセットで実施された実験は、DAINが推奨性能と計算効率の両方で優れていることを示した。
  論文  参考訳（メタデータ） (2024-09-04T04:12:22Z)
• Can Learned Optimization Make Reinforcement Learning Less Difficult? [70.5036361852812]
  学習の最適化が強化学習の難しさを克服するのに役立つかどうかを検討する。 本稿では, 塑性, 探索および非定常性のための学習最適化手法(OPEN)を用いて, 入力特性と出力構造がこれらの困難に対して予め提案された情報によって通知される更新規則をメタラーニングする。
  論文  参考訳（メタデータ） (2024-07-09T17:55:23Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• 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)
• Storehouse: a Reinforcement Learning Environment for Optimizing Warehouse Management [40.32303434592863]
  ストアハウスは、強化学習のための倉庫シミュレーションの定義を一般化するカスタマイズ可能な環境である。 我々は、この環境を最先端の強化学習アルゴリズムに対して検証し、その結果を人的・ランダムなポリシーと比較する。
  論文  参考訳（メタデータ） (2022-07-08T12:04:25Z)
• Heterogeneous Demand Effects of Recommendation Strategies in a Mobile Application: Evidence from Econometric Models and Machine-Learning Instruments [73.7716728492574]
  本研究では,モバイルチャネルにおける様々なレコメンデーション戦略の有効性と,個々の製品に対する消費者の実用性と需要レベルに与える影響について検討する。 提案手法では, 有効性に有意な差が認められた。 我々は,ユーザ生成レビューのディープラーニングモデルに基づいて,製品分化(アイソレーション)をキャプチャする新しいエコノメトリ機器を開発した。
  論文  参考訳（メタデータ） (2021-02-20T22:58:54Z)
• Cluster Based Deep Contextual Reinforcement Learning for top-k Recommendations [2.8207195763355704]
  本稿では,強化学習を伴うクラスタリングのアンサンブルを作成することで,トップkレコメンデーションを生成する手法を提案する。 我々は,DB Scanクラスタリングを導入し,膨大なアイテム空間に対処した。 部分的な更新とバッチ更新によって、モデルはユーザパターンを継続的に学習する。
  論文  参考訳（メタデータ） (2020-11-29T20:24:39Z)
• 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)
• A Systematic Review on Context-Aware Recommender Systems using Deep Learning and Embeddings [0.0]
  コンテキスト認識レコメンダシステム(Context-Aware Recommender Systems)が作成され、最先端の結果が得られた。 ディープラーニングと埋め込み技術は、コンテキスト認識レコメンダシステムを改善するために適用されています。
  論文  参考訳（メタデータ） (2020-07-09T13:23:40Z)
• Knowledge-guided Deep Reinforcement Learning for Interactive Recommendation [49.32287384774351]
  インタラクティブレコメンデーションは、アイテムとユーザ間の動的インタラクションから学び、応答性と精度を達成することを目的としている。 本稿では,知識指導型深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-04-17T05:26:47Z)

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。