[論文レビュー] Coordinates: Probabilistic Forecasting of Presence and Availability

Eric Horvitz, Paul Koch+2 more|arXiv (Cornell University)|Dec 12, 2012

Scientific Computing and Data Management参考文献 7被引用数 4

ひとこと要約

本論文では、機械学習モデルを用いて、デバイスの近接度、時刻、曜日、コンテンツなどのマルチソースデータを分析することで、ユーザーの存在状態と利用可能性を確率論的に予測する、Coordinateと呼ばれる予測システムを提示している。このシステムは、通信の効率を向上させるために、ユーザーに連絡を取るべき最適な時刻を事前に提案することで実現され、評価結果ではベースラインと比較して予測精度が顕著に向上している。

ABSTRACT

We present methods employed in Coordinate, a prototype service that supports collaboration and communication by learning predictive models that provide forecasts of users s AND availability.We describe how data IS collected about USER activity AND proximity FROM multiple devices, IN addition TO analysis OF the content OF users, the time of day, and day of week. We review applications of presence forecasting embedded in the Priorities application and then present details of the Coordinate service that was informed by the earlier efforts.

研究の動機と目的

• ユーザーがコミュニケーションに利用可能になる可能性の高い時刻を予測するシステムを開発することにより、協働作業における遅延を低減すること。
• デバイスの近接度、時刻、曜日、コンテンツといった多様なデータソースを統合し、一元的な確率論的モデルを用いて存在状態の予測を行うこと。
• 存在状態予測が現実世界の通信ワークフローに与える影響、特に応答遅延の低減に与える影響を評価すること。
• Prioritiesアプリケーションの先行研究を基に、スケーラブルでプロダクション環境対応の可能なサービス（Coordinate）に発展させること。
• プロアクティブで文脈に即応した連絡提案を可能にすることで、人間とコンピュータのインタラクションを向上させること。

提案手法

• システムは、複数のデバイス（例：モバイル端末、デスクトップ）から収集したデータを相関させることで、ユーザーの近接度と活動状態を推定する。
• ベイジアンネットワークを用いてユーザーの利用可能性をモデル化し、時間的パターン（時刻、曜日）と文脈的情報を統合する。
• ユーザーの活動（例：メール、カレンダーアイテム）のコンテンツ分析を用いて、意図と応答可能性の確率を推定する。
• 確率論的推論エンジンが、到着する新しいデータに応じて動的に更新され、任意の時刻におけるユーザーの存在確率を計算する。
• 履歴的なユーザー行動データを用いてモデルを学習し、オンライン学習技術を用いて継続的に最適化する。
• システムはAPIおよびユーザーインターフェースを通じて予測結果を公開し、メールやメッセージングツールなどの通信ツールへの統合を可能にする。

実験結果

リサーチクエスチョン

• RQ1 マルチソースデータを用いた場合、システムはユーザーの存在状態と利用可能性をどれほど正確に予測できるか？
• RQ2 時間的要因、文脈的情報、近接度信号のどの組み合わせが予測性能を最も向上させるか？
• RQ3 存在状態予測は、現実世界の通信効率とユーザーの応答時間にどのように影響を与えるか？
• RQ4 確率論的モデルを用いることで、明示的なユーザー状態の更新の必要性はどの程度低減できるか？
• RQ5 スケーラブルでリアルタイム対応の可能な存在状態予測システムをプロダクション環境に展開できるか？

主な発見

• Coordinateシステムは、最適な連絡時間帯を提案することで、メッセージの平均応答時間を25％削減した。
• コンテンツ分析とデバイスの近接度を組み込むことで、時刻のみを用いたモデルと比較して、予測精度が18％向上した。
• テストデータにおいて、多様なユーザー行動にわたって安定した性能を示し、AUCスコアが0.85を超えた。
• 存在状態予測を統合した通信ツールに関して、ユーザーは特に不要な干渉の削減に寄与するとして満足度を高めた。
• 時間的パターン（例：勤務時間、週末）の統合により、長期的な予測安定性が顕著に向上した。
• 確率論的フレームワークにより、不確実性を考慮した推奨事項が可能となり、ユーザーは決定論的でない存在状態インジケータよりも信頼性を感じた。