面向人-建筑交互与情境感知支持的推荐系统与强化学习：一项文本挖掘驱动的科学文献综述
系统与控制
2025-01-08 v3 机器学习
系统与控制
摘要
室内环境显著影响人类健康与福祉；改善健康并降低这些场景中的能耗是核心研究焦点。随着信息通信技术（ICT）的进步，推荐系统与强化学习（RL）已成为诱导行为改变以改善室内环境和建筑能效的有前景方法。本研究旨在运用文本挖掘与自然语言处理（NLP）技术，深入考察这些方法在人-建筑交互与居住者情境感知支持背景下的关联。研究分析了 ScienceDirect 数据库的 27,595 篇文献，揭示了推荐系统与 RL 在空间优化、位置推荐和个性化控制建议中的广泛应用。此外，该综述凸显了推荐系统与 RL 在建筑与室内环境中拓展应用的巨大潜力。适合创新的领域包括预测性维护、建筑相关产品推荐，以及基于用户反馈针对睡眠和生产力提升等特定需求优化环境。研究还指出了该方法在捕捉微妙学术细微差别方面的局限。未来改进可涉及集成并微调预训练语言模型，以更好地解读复杂文本。
引用
@article{arxiv.2411.08734,
title = {Recommender systems and reinforcement learning for human-building interaction and context-aware support: A text mining-driven review of scientific literature},
author = {Wenhao Zhang and Matias Quintana and Clayton Miller},
journal= {arXiv preprint arXiv:2411.08734},
year = {2025}
}