PROMINET：基于原型的多视图网络用于可解释邮件回复预测
计算与语言
2023-10-26 v1 人工智能
机器学习
摘要
电子邮件是广泛使用的商务沟通工具，邮件营销已成为企业一种具成本效益的策略。尽管先前研究考察了影响邮件营销表现的因素，但有限的研究关注于通过考虑邮件内容与元数据来理解邮件回复行为。本研究提出一种基于原型的多视图网络（PROMINET），其融合了邮件数据的语义与结构信息。通过利用原型学习，PROMINET 模型生成潜在范例，实现可解释的邮件回复预测。该模型将学习到的语义与结构范例以不同粒度（如文档、句子或短语）映射到训练数据中的观测样本。该方法在两个真实世界邮件数据集上评估：Enron 语料库与内部邮件营销语料库。实验结果表明，PROMINET 模型优于基线模型，在两个数据集上 F1 分数提升约 3%。此外，该模型通过不同粒度层级的原型提供可解释性，同时保持与不可解释模型相当的性能。学习到的原型还显示出用于生成建议以改进邮件文本编辑并提升有效邮件回复可能性的潜力。本研究有助于增强邮件交互中的发送者—接收者沟通与客户参与。
引用
@article{arxiv.2310.16753,
title = {PROMINET: Prototype-based Multi-View Network for Interpretable Email Response Prediction},
author = {Yuqing Wang and Prashanth Vijayaraghavan and Ehsan Degan},
journal= {arXiv preprint arXiv:2310.16753},
year = {2023}
}
备注
Accepted at EMNLP 2023 (industry)