问 GRU:深度文本推荐的多任务学习
本论文提出了一种基于深度学习的多任务推荐系统,用于从科学论文中提取关键信息,包括关键字、作者以及推荐评分等。系统采用 RNN、Highway 和 CNN 等多种深度学习技术,以端到端的方式学习上下文语义,解决冷启动等问题。
Apr, 2022
本文介绍了一种使用深度学习方法改进推荐系统表现的模型 - DeepCoNN,即使用神经网络学习目标用户所有评论的一个潜在表示形式,第二个潜在表示与目标物品的所有评论文本匹配,将这些表示组合起来,同时介绍了一种名为 TransNets 的模型,它通过引入表示目标用户 - 目标项目对的额外潜在层来扩展 DeepCoNN 模型,并通过训练时间对此层进行规化,使其类似于目标用户评论的潜在表示,证明 TransNets 及其扩展显着提高了之前的最新状态。
Apr, 2017
本文提出了基于多任务学习框架的神经网络方法,采用循环神经网络来建模具有特定任务和共享层的文本,并在四个基准文本分类任务的实验中显示出该方法可以提高其他相关任务的性能。
May, 2016
借助大型语言模型(LLMs)预训练的能力来提升推荐系统的性能,采用 LLMs 作为物品编码器,通过 LEARN 框架将开放世界知识与协同知识相结合,以解决冷启动和长尾用户推荐中的性能问题。
May, 2024
本研究旨在开发一种多任务学习解决方案,通过联合张量分解整合用户偏好模型和文本解释模型来解释自动生成的推荐,从而提高用户的满意度,并且得到了两个大型 Amazon 和 Yelp 评论数据集的证实。
Jun, 2018
该研究提出了一种新型的神经网络架构,采用分层循环神经网络和潜在主题聚类模块进行候选答案排名,该模型的层级结构可以有效地捕捉整体含义并在长文本理解方面表现出色,并在两个数据集中取得了最佳的问题答案排序结果。
Oct, 2017
本篇论文中,采用了 GRU-based encoder 和 Bahdanau attention mechanism 对英语文本进行了自动摘要,使用 News-summary 数据集进行训练,其输出表现优异,可以用作报纸头条。
Feb, 2023
本文基于 T5 文本转文本的 transformer 模型,将多任务端到端模型应用于对话推荐任务,实现了推荐相关项目和生成对话的双重目标,其中多任务学习和来自 ReDIAL 数据集的探针研究得到了应用。
May, 2023