Relevance Does Not Imply Applicability: Experience Activation for Personal GUI Agents

مسئله

ایجنت‌های شخصی رابط گرافیکی به تاریخچه‌ی تعامل تکیه دارند تا از دستورهای مبهم بفهمند کاربر چه می‌خواهد و روال‌های تکراری را پیش‌بینی کنند. روش‌های موجود تاریخچه‌ی مرتبط با تسک را بازیابی و به کانتکست اضافه می‌کنند و فرض می‌کنند برای همه‌ی تصمیم‌های درون تسک مفید می‌ماند. اما یک سابقه‌ی مرتبط ممکن است بگوید از کجا شروع کنیم، نه این‌که کدام کنش گذشته به صفحه‌ی فعلی می‌خورد یا آیا یک روال الان وقتش است.

روش

نویسنده‌ها شخصی‌سازی را «فعال‌سازی تجربه» دیدند و چارچوب بدون آموزش ExpActivator را معرفی کردند که فقط تجربه‌ی قابل اعمال به وضعیت فعلی را فعال می‌کند. حین اجرا، هر صفحه‌ی جدید را با وضعیت‌های تاریخی در فضای نهان مدل پایه‌ی منجمد تطبیق می‌دهد و کنش متناظر را به عنوان مرجع می‌دهد. پیش از اجرا، یک نیت تکراری را فقط وقتی فعال می‌کند که زمان و سناریوی فعلی پشتیبانی کافی بدهند، وگرنه خودداری می‌کند.

یافته‌ها

• تاریخچه‌ی بازیابی‌شده گام اول اپیزود را به شدت بهتر کرد اما در ۹۰ درصد گام‌های باقی‌مانده سود پایداری نداشت.
• در چهار مدل پایه‌ی رابط گرافیکی، موفقیت گام درون مسیر را به‌طور میانگین ۲۸ درصد بهتر کرد و با حدود یک پنجم توکن تاریخچه بهترین اجرای شخصی‌سازی‌شده را در هر مدل داشت.
• ضریب همبستگی متیوز آن حدود ۲٫۳ برابر قوی‌ترین پایه‌ی پیش‌دستانه بود.

محدودیت‌ها

مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ روش به دسترسی به فضای نهان مدل پایه نیاز دارد.