کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10321865 660771 2015 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Extending knowledge-driven activity models through data-driven learning techniques
ترجمه فارسی عنوان
گسترش مدل های فعالیت دانش محور با استفاده از تکنیک های یادگیری مبتنی بر داده
کلمات کلیدی
به رسمیت شناختن فعالیت دانش محور یادگیری، مدل فعالیت
ترجمه چکیده
شناخت فعالیت های دانش محور، یک منطقه پژوهشی در حال ظهور و امیدوار کننده است که در حال حاضر ویژگی ها و مزایای بسیار جالبی را نشان داده است. با این حال، برخی از نقاط ضعف نیز وجود دارد، مانند استفاده از مدل های عمومی و استاتیک. این مقاله روشی را برای استفاده از تکنیک های هدایت داده به منظور تکامل مدل های فعالیت دانش مبتنی بر داده های رفتار کاربر ارائه می دهد. این رویکرد شامل یک فرایند خوشه بندی جدید است که در آن مدل های ناقص اولیه توسعه یافته از طریق مهندسی دانش برای تشخیص خوشه های عمل استفاده می شود که نشان دهنده فعالیت ها و جمع آوری فعالیت های جدید است. بر اساس این خوشه های عملی، یک فرایند یادگیری برای یادگیری و مدل سازی روش های مختلف انجام فعالیت ها به منظور دستیابی به مدل های فعالیت های کامل و تخصصی طراحی شده است. این رویکرد با ورودی های واقعی کاربران، سنسورهای پر سر و صدا و دنباله های فعالیت های مورد نیاز تست شده است. نتایج اولیه نشان داده اند که مدل های فعالیت های تخصصی و کامل با موفقیت 100 درصد به هزینه یادگیری برخی مدل های مثبت غلط آموخته می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
گسترش مدل های فعالیت دانش محور با استفاده از تکنیک های یادگیری مبتنی بر داده
چکیده انگلیسی
Knowledge-driven activity recognition is an emerging and promising research area which has already shown very interesting features and advantages. However, there are also some drawbacks, such as the usage of generic and static activity models. This paper presents an approach to using data-driven techniques to evolve knowledge-driven activity models with a user's behavioral data. The approach includes a novel clustering process where initial incomplete models developed through knowledge engineering are used to detect action clusters which represent activities and aggregate new actions. Based on those action clusters, a learning process is then designed to learn and model varying ways of performing activities in order to acquire complete and specialized activity models. The approach has been tested with real users' inputs, noisy sensors and demanding activity sequences. Initial results have shown that complete and specialized activity models are properly learned with success rates of 100% at the expense of learning some false positive models.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issue 6, 15 April 2015, Pages 3115-3128
نویسندگان
, , , ,