論文の概要: Recommender systems and reinforcement learning for human-building interaction and context-aware support: A text mining-driven review of scientific literature

• arxiv url: http://arxiv.org/abs/2411.08734v2
• Date: Sun, 29 Dec 2024 02:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 15:59:35.789299
• Title: Recommender systems and reinforcement learning for human-building interaction and context-aware support: A text mining-driven review of scientific literature
• Title（参考訳）: ヒューマンビルディングインタラクションとコンテキスト認識支援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: この研究はScienceDirectデータベースから27,595の論文を分析した。 協調フィルタリング、コンテンツベース、知識ベースの手法を含む伝統的なレコメンデーションアルゴリズムが一般的に採用されている。 このレビューは、建物や屋内環境におけるレコメンデーターシステムとRLの適用を拡大する大きな可能性を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 3.507507375347555
• License:
• Abstract: The indoor environment significantly impacts human health and well-being; enhancing health and reducing energy consumption in these settings is a central research focus. With the advancement of Information and Communication Technology (ICT), recommendation systems and reinforcement learning (RL) have emerged as promising approaches to induce behavioral changes to improve the indoor environment and energy efficiency of buildings. This study aims to employ text mining and Natural Language Processing (NLP) techniques to thoroughly examine the connections among these approaches in the context of human-building interaction and occupant context-aware support. The study analyzed 27,595 articles from the ScienceDirect database, revealing extensive use of recommendation systems and RL for space optimization, location recommendations, and personalized control suggestions. Although these systems are broadly applied to specific content, their use in optimizing indoor environments and energy efficiency remains limited. This gap likely arises from the need for interdisciplinary knowledge and extensive sensor data. Traditional recommendation algorithms, including collaborative filtering, content-based and knowledge-based methods, are commonly employed. However, the more complex challenges of optimizing indoor conditions and energy efficiency often depend on sophisticated machine learning (ML) techniques like reinforcement and deep learning. Furthermore, this review underscores the vast potential for expanding recommender systems and RL applications in buildings and indoor environments. Fields ripe for innovation include predictive maintenance, building-related product recommendation, and optimization of environments tailored for specific needs, such as sleep and productivity enhancements based on user feedback.
• Abstract（参考訳）: 室内環境は人間の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研究の中心となっている。 情報通信技術(ICT)の進歩に伴い,建築の室内環境とエネルギー効率を改善するための行動変化を誘発する,有望なアプローチとしてレコメンデーションシステムと強化学習(RL)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)技術を用いて, ヒューマン・ビルディング・インタラクションの文脈と, 占有するコンテキスト・アウェア・サポートの文脈において, これらのアプローチ間の関係を徹底的に検討することを目的とする。 この研究は、ScienceDirectデータベースから27,595の論文を分析し、空間最適化、位置推奨、パーソナライズされた制御提案のためのレコメンデーションシステムとRLの広範な使用を明らかにした。 これらのシステムは、特定のコンテンツに広く適用されているが、室内環境の最適化やエネルギー効率の確保に使われている。 このギャップは、学際的知識と広範なセンサーデータの必要性から生じる可能性が高い。 協調フィルタリング、コンテンツベース、知識ベースの手法を含む伝統的なレコメンデーションアルゴリズムが一般的に採用されている。 しかし、屋内条件とエネルギー効率を最適化するより複雑な課題は、強化やディープラーニングのような洗練された機械学習(ML)技術に依存していることが多い。 さらに、このレビューは、ビルや屋内環境におけるレコメンデーターシステムとRLの適用を拡大する大きな可能性を浮き彫りにしている。 イノベーションのためのフィールドとしては、予測的メンテナンス、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など、特定のニーズに適した環境の最適化などがある。

関連論文リスト

• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• Creation of AI-driven Smart Spaces for Enhanced Indoor Environments -- A Survey [2.4289467021689317]
  スマートスペースはユビキタスコンピューティング環境であり、多様なセンシングと通信技術を統合し、空間機能を強化し、エネルギー利用を最適化し、ユーザーの快適さと幸福を向上させる。 これらの環境への新興AI方法論の統合は、AI駆動のスマートスペースの形成を促進する。 本稿では,センサ技術,データ通信プロトコル,センサネットワーク管理とメンテナンス戦略,データ収集,処理,分析などを含む,AI駆動型スマートスペースの基礎的コンポーネントに関する既存研究を体系的に調査する。
  論文  参考訳（メタデータ） (2024-12-19T10:20:34Z)
• 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)
• Emerging Synergies Between Large Language Models and Machine Learning in Ecommerce Recommendations [19.405233437533713]
  大規模言語モデル(LLM)は、言語理解と生成の基本的なタスクにおいて優れた機能を持つ。 機能エンコーダとしてLLMを用いたユーザとアイテムの表現を学習するための代表的なアプローチを提案する。 次に、協調フィルタリング強化レコメンデーションシステムのためのLLM技術の最新技術について概説した。
  論文  参考訳（メタデータ） (2024-03-05T08:31:00Z)
• Exploring Artificial Intelligence Methods for Energy Prediction in Healthcare Facilities: An In-Depth Extended Systematic Review [0.9208007322096533]
  本研究は, 病院ビルのエネルギー消費予測に機械学習と人工知能技術を用いた論文のPRISMAフレームワークを用いた文献レビューを行った。 このレビューでは、エネルギー予測に影響を与えるさまざまなデータ入力が明らかにされ、占有率と気象データが重要な予測因子として出現した。 この発見は、病院のエネルギー消費を最適化するAIの巨大な可能性を浮き彫りにしただけでなく、より包括的できめ細かい研究の必要性も浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-27T13:30:20Z)
• 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)
• Interactive Natural Language Processing [67.87925315773924]
  対話型自然言語処理(iNLP)は,NLP分野における新しいパラダイムとして登場した。 本稿では,iNLPの概念の統一的定義と枠組みを提案することから,iNLPに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-05-22T17:18:29Z)
• A Field Guide to Federated Optimization [161.3779046812383]
  フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。 本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-07-14T18:09:08Z)
• 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)
• Value Driven Representation for Human-in-the-Loop Reinforcement Learning [33.79501890330252]
  我々は,システム設計者が,強化学習エージェントが使用する観測空間を定義するために,センサセットや特徴セットを選択する方法のアルゴリズム的基礎に焦点をあてる。 本稿では、強化学習エージェントの観測空間を反復的かつ適応的に拡張するアルゴリズム、値駆動表現(VDR)を提案する。 シミュレーションされた人間を用いた標準RLベンチマークによる手法の性能評価を行い、従来のベースラインよりも大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2020-04-02T18:45:45Z)

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。