.png){kind=icon}
返回
User intention prediction for trigger-action programming rule using multi-view representation learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2024.126198.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
触发-动作编程（TAP）允许用户为自动化智能设备和互联网服务创建规则，例如“如果有人离开，则关闭空调”。用户意图作为规则创建的内部驱动力，在理解用户需求方面发挥着关键作用。尽管现有研究可以轻松识别用户的显式需求，例如关闭空调，但它往往无法识别隐含意图，例如节能。预测用户意图面临若干挑战，包括（1）触发器和动作之间的上下文依赖关系，当用户组合各种功能时会导致不同的意图，（2）在简短的功能描述文本中识别用户意图，以及（3）由于缺乏领域特定知识，功能相似但未能反映用户意图的实体。为解决这些挑战，我们提出了一种基于多视角表示学习的框架MvTAP，联合（1）用户视角、（2）开发者视角和（3）知识视角。在MvTAP中，我们首先设计了不同的方法分别学习这三个视角的表示。然后，我们提出了一种基于Transformer的方法来融合这些视角的表示。用户意图预测被表述为一个多标签分类任务。使用真实的IFTTT数据集验证了MvTAP的有效性。实验结果表明，所提出的框架能够有效预测TAP规则中的用户意图。
Keyword:
Internet of Things
Trigger-action programming
User intention prediction
Multi-view representation learning
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
Set-CNN: A text convolutional neural network based on semantic extension for short text classificationSet-cnn: 一种基于语义扩展的文本卷积神经网络，用于短文本分类
PREAI
分享收藏Leveraging a meta-learning approach to advance the accuracy of Nav blocking peptides prediction.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容