文献

J-GLOBAL ID：202002258059590015   整理番号：20A2263173

大規模活動ログを用いた作業空間へのクラスタ文書の学習【JST・京大機械翻訳】

Learning to Cluster Documents into Workspaces Using Large Scale Activity Logs

著者 (5件)： Kong Weize (Google, Mountain View, CA, USA) ,  Bendersky Michael (Google, Mountain View, CA, USA) ,  Najork Marc (Google, Mountain View, CA, USA) ,  Vargo Brandon (Google, Mountain View, CA, USA) ,  Colagrosso Mike (Google, Mountain View, CA, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： KDD ’20  ページ： 2416-2424  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Google Driveは,クラウドにおける個人および作業関連文書を管理するために広く使用されている。ユーザがGoogle Driiveの文書を組織化するのを助けるために,ユーザが作業空間と呼ばれる進行中の容易なアクセスのための一連の作業ファイルを創造することを可能にする新しい特徴を開発した。作業空間は文書のクラスタであるが,典型的な文書クラスタとは異なり,それは局所コヒーレントであるだけでなく,進行中のユーザタスクにも有用である。作業空間を手動で作成する負担を軽減するために,著者らは自動的に文書を提案作業空間にクラスタ化する。テキスト類似性ベースの教師なしクラスタリングパラダイムを超えて,文書クラスタリングのためにユーザの活動から直接学習する。より具体的には,文書関連性を測定するために,共アクセス信号(即ち,ユーザが同時に2つの文書をアクセスするかどうか)を抽出する。次に,テキスト,メタデータ,および共アクセス特徴を組み込んだニューラル文書類似性モデルを使用した。人間のラベルは収集するのが困難または高価であるため,モデル訓練のために大規模で共アクセスデータに基づいて弱いラベルを抽出する。Google Driveに基づくオフラインおよびオンライン実験は,(a)共アクセス特徴が文書クラスタリングに対して非常に有効であることを示した。(b)弱教師つきクラスタリングは,ヒトラベルで訓練されたモデルと比較して,同等またはより良い性能を達成した。および(c)弱い教師つき方法は,ユーザがベースラインアプローチよりも生産システムにおいてより頻繁に受け入れられるより良い作業空間提案をもたらす。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： コヒーレンス ,  *学習 ,  *作業空間 ,  生産システム ,  ヒト ,  クラスタ化 ,  *クラスタ ,  類似性 ,  基準線 ,  メタデータ
準シソーラス用語： Google ,  文書クラスタ化 ,  オンライン ,  オフライン ,  教師なしクラスタリング , 【Automatic Indexing@JST】

著者キーワード (5件)： 活動ログ ,  共アクセス ,  文書クラスタリング ,  弱教師つきクラスタリング ,  作業空間

分類 (2件)： 自然語処理  (JE06000L) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 大規模 ,  活動 ,  ログ ,  作業空間 ,  クラスタ ,  文書 ,  学習