Predictive modeling of everyday behavior from large-scale data
Predictive modeling of everyday behavior from large-scale data
复制标题
根据大规模数据对日常行为进行预测建模
DOI：
10.5571/syntheng.2.1
复制
发表时间：
2009
期刊：
影响因子：
--
通讯作者：
Y. Motomura
中科院分区：
文献类型：
--
作者：
Y. Motomura
日常生活行为建模进行了讨论。该建模框架包括统计学习、概率推理、用户建模和大规模数据采集技术。贝叶斯网络可以将因果关系表示为图形结构。这种模型应该包括通过真实的服务的日常生活行为的情况和背景。为了收集与之相关的大规模数据，我们必须提供由众多用户支持的真实的服务。这一概念被命名为“研究即服务”，并在本文中进行了讨论。
Daily life behavior modeling is discussed. This modeling framework consists of statistical learning, probabilistic reasoning, user modeling, and large-scale data collecting technologies. Bayesian networks can represent causality relationship as graphical structures. Such models should include situations and contexts of daily life behavior through real services. In order to collect large-scale data connected with them, we have to provide real services supported by many users. This concept is named "Research as a service" and discussed in this paper.
基于个人建构理论的概率人体建模
DOI：
--
发表时间：
2005
期刊：
Journal of Robotics and Mechatronics 17・6
影响因子：
--
作者：
Y.Motomura;T.Kanade
通讯作者：
T.Kanade
基于计算关联理论的日常推理分析
DOI：
--
发表时间：
2007
期刊：
Theoretical and Applied Linguistics at Kobe Shoin No.10
影响因子：
--
作者：
I.R.Lane;T.Kawahara;T.Matsui;能登路 雅子;松井 理直
通讯作者：
松井 理直