学习用户偏好与理解日历上下文以进行事件调度
机器学习
2020-07-21 v3 计算与语言
机器学习
摘要
随着在线日历服务在全球的普及，日历数据已成为理解人类行为最丰富的上下文来源之一。然而，即便在线日历有所发展，事件调度仍耗时费力。尽管基于机器学习的事件调度模型在一定程度上实现了调度流程自动化，但它们往往难以理解以自然语言书写的事件标题中所蕴含的细微用户偏好与复杂日历上下文。在本文中，我们提出神经事件调度助手(NESA)，它直接从原始在线日历中学习用户偏好并理解日历上下文，以实现完全自动化且高效的事件调度。我们利用超过 593K 的日历事件供 NESA 学习个人事件调度，并进一步将 NESA 用于多参与者事件调度。NESA 成功结合了双向长短期记忆网络(Bidirectional Long Short-Term Memory)、卷积神经网络(Convolutional Neural Network)和 Highway Network 等深度神经网络，以基于自然语言学习每位用户的偏好并理解日历上下文。实验结果表明，在个人与多参与者事件调度任务的多项评估指标上，NESA 均显著优于以往的基线模型。我们的定性分析展示了 NESA 中各层及所学用户偏好的有效性。
引用
@article{arxiv.1809.01316,
title = {Learning User Preferences and Understanding Calendar Contexts for Event Scheduling},
author = {Donghyeon Kim and Jinhyuk Lee and Donghee Choi and Jaehoon Choi and Jaewoo Kang},
journal= {arXiv preprint arXiv:1809.01316},
year = {2020}
}
备注
CIKM 2018