一种用于数据录入表单中分类字段自动填充的机器学习方法
软件工程
2024-08-20 v2
摘要
用户经常通过数据录入表单与软件系统交互。然而，表单填写耗时且易出错。尽管已提出若干技术来自动补全或预填表单中的字段，但它们对帮助用户填写分类字段（即要求用户从大量选项中选择正确值的字段）的支持有限。在本文中，我们提出 LAFF，一种基于学习的表单分类字段自动填充方法。LAFF 首先通过从历史输入实例（表示过去已填写的字段值）中学习字段依赖关系来构建贝叶斯网络模型。为提升学习能力，LAFF 使用局部建模来有效挖掘输入实例簇中字段的局部依赖关系。在表单填写阶段，LAFF 利用这些模型基于表单中已填字段的值及其依赖关系预测目标字段的可能值；预测值（基于字段依赖关系和预测置信度背书）随后作为建议列表提供给最终用户。我们在两个数据集上评估了 LAFF 在表单填写中的有效性和效率，其中一个为来自银行领域的专有数据。实验结果表明，LAFF 能够提供准确建议，平均倒数排名值高于 0.73。此外，LAFF 效率很高，每次建议最多需要 317 ms。
引用
@article{arxiv.2202.08572,
title = {A Machine Learning Approach for Automated Filling of Categorical Fields in Data Entry Forms},
author = {Hichem Belgacem and Xiaochen Li and Domenico Bianculli and Lionel C. Briand},
journal= {arXiv preprint arXiv:2202.08572},
year = {2024}
}
备注
Accepted for publication by ACM Transactions on Software Engineering and Methodology