抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ユーザはデータ入力形式を通してソフトウェアシステムと頻繁に相互作用する。しかし,形状充填は時間がかかり,誤差が容易である。形式における自動完全またはプレフィルフィールドに対するいくつかの技法が提案されているが,ユーザがカテゴリー分野,即ち,ユーザが大きなオプション間の正しい値を選択するのに必要な分野を支援するのを助けるための限られたサポートを提供する。本論文では,データ入力形式におけるカテゴリーフィールドを埋めるための学習ベース自動化アプローチであるLAFFを提案した。LAFFは,歴史的入力インスタンスの集合から,フィールド依存性を学習することにより,Bayesネットワークモデルを最初に構築し,過去に満たされている場の値を表す。その学習能力を改善するために,LAFFは局所モデリングを用いて,入力インスタンスのクラスタにおける場の局所依存性を効果的にマイニングする。形態充填相の間,LAFFは,形態とそれらの依存性の既に満たされた分野における値に基づいて,目標場の可能な値を予測するために,そのようなモデルを使用する。次に,予測値(フィールド依存性と予測信頼度に基づく)を,提案のリストとしてエンドユーザに提供した。2つのデータセット,それらの1つが銀行ドメインから所有する形で,その有効性と効率を評価することによってLAFFを評価した。実験結果は,LAFFが0.73以上の平均Reciprocal Rank値で正確な提案を提供できることを示した。さらに,LAFFは効率的であり,提案当たり約317msを必要とする。【JST・京大機械翻訳】