BehavDT：一种构建以用户为中心情境感知预测模型的行为决策树学习方法
机器学习
2020-01-06 v1 机器学习
摘要
本文提出了基于用户使用智能手机的多样化行为活动构建情境感知预测模型的问题。在机器学习和数据科学领域，决策树之类的树状模型被认为是最流行的分类技术之一，可用于构建数据驱动的预测模型。传统决策树模型通常创建若干叶节点作为代表特定情境刚性决策的决策节点，并因此可能在行为建模中导致过拟合问题。然而，在情境感知环境中的许多实际场景下，广义结果对于有效捕捉用户行为可能发挥重要作用。本文中，我们提出一种行为决策树，即“BehavDT”情境感知模型，其根据个体偏好水平考虑面向用户行为的泛化。BehavDT 模型不仅输出广义决策，还在相关例外情况下输出特定情境决策。通过在个体用户真实智能手机数据集上实验研究了 BehavDT 模型的有效性。实验结果表明，在考虑多维情境预测用户多样化行为时，所提出的 BehavDT 情境感知模型相较于传统机器学习方法更为有效。
引用
@article{arxiv.2001.00621,
title = {BehavDT: A Behavioral Decision Tree Learning to Build User-Centric Context-Aware Predictive Model},
author = {Iqbal H. Sarker and Alan Colman and Jun Han and Asif Irshad Khan and Yoosef B. Abushark and Khaled Salah},
journal= {arXiv preprint arXiv:2001.00621},
year = {2020}
}