快速提问:利用强化学习在微任务中打断用户
人机交互
2020-07-21 v1 人工智能
机器学习
摘要
在人类注意力是现代计算中稀缺资源的背景下,大量微任务竞相争夺用户注意力,以众包信息、执行瞬时评估、个性化服务并通过单次触击执行操作。当这些任务占据一天中无形的空闲时刻时,许多事情得以完成。然而,在不恰当的时间打断会降低生产力并引起厌烦。先前的研究已利用情境线索和行为数据来识别微任务的可打断性,并取得很大成功。通过 Quick Question,我们探索使用强化学习(RL)来调度微任务,同时最小化用户厌烦,并将其性能与监督学习进行比较。我们将该问题建模为马尔可夫决策过程,并使用 Advantage Actor Critic 算法基于上下文和用户交互历史来识别可打断时刻。在我们为期 5 周、30 名参与者的研究中,我们将提出的 RL 算法与监督学习方法进行比较。虽然两种方法的平均响应数量相当,但 RL 在避免通知被驳回以及随时间改善用户体验方面更为有效。
引用
@article{arxiv.2007.09515,
title = {Quick Question: Interrupting Users for Microtasks with Reinforcement Learning},
author = {Bo-Jhang Ho and Bharathan Balaji and Mehmet Koseoglu and Sandeep Sandha and Siyou Pei and Mani Srivastava},
journal= {arXiv preprint arXiv:2007.09515},
year = {2020}
}
备注
Presented at the 2nd Workshop on Human in the Loop Learning in ICML 2020