[論文レビュー] Interface agents: A review of the field

Stuart E. Middleton|ArXiv.org|Mar 9, 2002

Machine Learning and Algorithms参考文献 73被引用数 31

ひとこと要約

この論文は、ユーザーとデジタルシステムの間を仲介するソフトウェアエージェントであるインターフェースエージェントの進化、課題、現在の状態をレビューする。メールフィルタリング、ニュース推薦、会議スケジューリングなどの分野におけるエージェントシステムの分類を提示し、エージェント行動のパーソナライズに用いられる主要な機械学習およびユーザーモデリング技術を分析する。

ABSTRACT

This paper reviews the origins of interface agents, discusses challenges that exist within the interface agent field and presents a survey of current attempts to find solutions to these challenges. A history of agent systems from their birth in the 1960's to the current day is described, along with the issues they try to address. A taxonomy of interface agent systems is presented, and today's agent systems categorized accordingly. Lastly, an analysis of the machine learning and user modelling techniques used by today's agents is presented.

研究の動機と目的

• 1950年代から2000年代初頭にかけてのソフトウェアエージェントの歴史的発展をたどること。
• ユーザーモデリングや適応性といった、効果的なインターフェースエージェントを設計するうえでの核心的課題を特定すること。
• 多様な応用分野にわたる提案された分類法を用いて、既存のインターフェースエージェントシステムを分類すること。
• 現代のインターフェースエージェントに用いられる機械学習およびユーザーモデリング技術を分析すること。

提案手法

• メールフィルタリング、ニュースフィルタリング、マッチメイキング、レコメンデーションシステムを含む、応用分野に基づいたインターフェースエージェントシステムの分類法を提案する。
• 10の具体的なインターフェースエージェント応用分野をレビューし、代表的なシステムやプロトタイプを詳細に記載する。
• 関連性および分類タスクに用いられる決定木、ナイーブベイズ、最近傍法、Rocchio分類器などの機械学習技術を分析する。
• インタラクション履歴に基づくユーザープロファイルおよび適応的行動を含むユーザーモデリングアプローチを検討する。
• エージェントの適応に用いられる主な学習アルゴリズム、すなわちID3、遺伝的アルゴリズム、強化学習をレビューする。
• TF-IDF、コサイン類似度、情報ゲインといった、エージェントシステムに特に関連する機械学習用語の定義と導入を行う。

実験結果

リサーチクエスチョン

• RQ1 ソフトウェアエージェントは、記号的AIから現代のインターフェースエージェントへどのように進化したか？
• RQ2 効果的でユーザーアダプティブなインターフェースエージェントを設計するうえでの主な課題は何か？
• RQ3 異なる応用分野において、インターフェースエージェントはどのように分類されているか？
• RQ4 エージェントシステムにおけるユーザーモデリングおよびコンテンツフィルタリングに最も効果的な機械学習技術は何か？
• RQ5 ユーザープロファイルと適応的学習は、エージェントの自律性とパーソナライゼーションを向上させるうえで果たす役割は何か？

主な発見

• インターフェースエージェントは記号的AIに由来し、エキスパートシステムや知識表現を経て、ユーザーフレンドリーなインタラクションに焦点を当てた進化を遂げた。
• ユーザーモデリング、適応性、拡張性の面で課題を抱えており、特に正確で動的かつ更新可能なユーザープロファイルを維持することが難しい。
• メールフィルタリング、ニュース推薦、会議スケジューリングなど、多様な分野にわたり幅広いエージェントシステムが存在し、それぞれが特化した学習およびモデリング技術を用いている。
• ナイーブベイズ、Rocchio、最近傍法といった機械学習技術は、ユーザープレファレンスに基づくコンテンツの分類およびフィルタリングに広く用いられている。
• TF-IDF重み付けとコサイン類似度は、ベクトル空間モデルにおけるドキュメントおよびユーザープレファレンスの類似度を測定する標準的手法である。
• 強化学習や遺伝的アルゴリズムは適応的行動のための検討がなされているが、確率的およびインスタンスベースの手法に比べてあまり一般的に使われていない。