通过众包构建概念层次结构
通过增强的表示学习和细粒度实例关系的对比损失,以及关注内在标签分类法的细粒度层次分类损失,我们提出了一种新颖的框架来解决层次化查询分类的挑战,同时利用与已标注查询共享的无标签查询的相似性智能地选择这些查询以提高分类性能。实验证明,我们的方法优于专有的 Amazon 数据集上的最先进方法,并与 Web of Science 和 RCV1-V2 的公共数据集中的最先进方法相媲美,这些结果凸显了我们提出解决方案的有效性,并为下一代层次感知查询分类系统铺平了道路。
Mar, 2024
本文提出了层次扩展框架 (HEF),旨在更好地利用分类法的分层结构进行分层扩展。HEF 在多个方面利用分类法的分层结构,利用亲属关系检测和几个树独特功能来评估其子树的连贯性,并引入适合度评分来选择最优位置,将信息交换用于消歧和自我纠正。该模型在三个基准数据集上的实验表明,通过更好地利用层次结构和优化分类法的连贯性,HEF 在准确性和平均倒数排名方面平均提高了 46.7% 和 32.3% 的精度,远远超过了之前的最佳水平。
Jan, 2021
本文介绍我们使用的方法,通过采访农业食品系统的利益相关者手动构建本体论,以适应两种互补系统分析模型(即 “Godet” 和 “MyChoice” 模型)的需求。
Jan, 2023
该研究提出了一种基于 FCA 的新方法,通过对文本语料库中的上下文信息进行建模和分析,以自动获取层次结构的概念分类。在旅游和金融领域应用比手工分类更有效。
Sep, 2011
通过查询大型语言模型,我们提出了一种用于自动构建给定领域概念层级的方法,我们使用 OpenAI 的 GPT 3.5 将该方法应用于不同领域,实验证明 LLM 在构建概念层级方面具有相当的帮助。
Sep, 2023
本文从数据、模型、学习三个维度,全面回顾了 13 年来 AI 社区在众包学习领域的进展,着重提出了每个维度的一些有前途的蓝图,并探讨了过去研究的经验教训,旨在为新研究者提供指引,鼓励他们做出新的贡献。
Jun, 2022