Higher-Order DeepTrails: Unified Approach to *Trails

要約

人間の行動を分析、理解、説明することは、Web ブラウジングや交通ナビゲーションなどのさまざまな環境で有利です。
人間の行動を理解することは、基礎となるインフラストラクチャやユーザー インターフェイスの改善と最適化に自然に役立ちます。
通常、人間のナビゲーションは、状態間の遷移のシーケンスによって表されます。
以前の研究では、これらの遷移を分析するために、ナビゲーションに関するさまざまな直観を表す仮説を使用することが提案されています。
この設定を数学的に把握するために、一次マルコフ連鎖を使用して動作をキャプチャし、その結果、さまざまな種類のグラフ比較を適用できるようになりますが、シーケンス内の高次の依存関係に関する情報が失われるという固有の欠点が伴います。
この目的を達成するために、シーケンス内の高次の依存関係をモデル化するために伝統的に使用されている自己回帰言語モデルを使用してシーケンス全体を分析することを提案します。
私たちのアプローチは、以前の研究で導入されたさまざまな設定、つまり HypTrails、MixedTrails、さらには SubTrails のモデル化に簡単に適用できると同時に、独自の利点をもたらすことを示します。1. 状態遷移間の高次の依存関係をモデル化すると同時に、2.
提案された仮説の欠点を特定できるようになり、3. すべての設定をモデル化する統一アプローチを自然に導入できます。
私たちのアプローチの表現力を示すために、さまざまな合成データセットでアプローチを評価し、音声アシスタントと対話するユーザーの行動を調べる現実世界のデータセットの例示的な分析で締めくくります。

要約(オリジナル)

Analyzing, understanding, and describing human behavior is advantageous in different settings, such as web browsing or traffic navigation. Understanding human behavior naturally helps to improve and optimize the underlying infrastructure or user interfaces. Typically, human navigation is represented by sequences of transitions between states. Previous work suggests to use hypotheses, representing different intuitions about the navigation to analyze these transitions. To mathematically grasp this setting, first-order Markov chains are used to capture the behavior, consequently allowing to apply different kinds of graph comparisons, but comes with the inherent drawback of losing information about higher-order dependencies within the sequences. To this end, we propose to analyze entire sequences using autoregressive language models, as they are traditionally used to model higher-order dependencies in sequences. We show that our approach can be easily adapted to model different settings introduced in previous work, namely HypTrails, MixedTrails and even SubTrails, while at the same time bringing unique advantages: 1. Modeling higher-order dependencies between state transitions, while 2. being able to identify short comings in proposed hypotheses, and 3. naturally introducing a unified approach to model all settings. To show the expressiveness of our approach, we evaluate our approach on different synthetic datasets and conclude with an exemplary analysis of a real-world dataset, examining the behavior of users who interact with voice assistants.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google