Jul, 2017

浅阅读与深度学习：仅使用标题预测在线内容的受欢迎程度

PDF
TL;DR本文提出了一种基于双向 LSTM 神经网络的新方法来预测在线内容的受欢迎程度，通过新闻标题文本信息可以提高传统浅层方法的预测精度，并且在预处理的词向量上使用 LSTM 模型可以提高预测结果。
popularity predictiononline contentlstm neural networkpre-trained word vectorsnews articles
发现论文，激发创造
  • 使用神经网络的多策略方法识别标题党

    提出了一种基于神经网络，包括双向 LSTM、注意力机制、孪生网络及卷积神经网络的新型点击诱饵检测方法来预测社交媒体帖子的点击诱饵得分，在 19538 个社交媒体帖子的测试语料库上达到 65.37% 的 F1 得分，优于之前的工程学特征或其他方法。

    Oct, 2017

  • 基于循环神经网络的在线视频流行度预测

    本文研究在线视频传播中的受欢迎程度预测问题，证明可以使用深度神经网络结构，将其作为分类任务来解决。我们提出了一种基于长期循环卷积网络 (LRCN) 的新方法来提取视频中的视觉线索，并将信息的时序性纳入模型。在 Facebook 上发布的超过 37,000 个视频数据集上表明，我们的方法的预测性能比传统浅层方法提高了 30％以上，并为内容创建者提供了有价值的见解。

    Jul, 2017

  • 在在线新闻文档中积极预测句子特定信息的普及度

    本文提出将句子级别的普及度预测作为序列回归任务，通过使用自然语言内容在在线新闻文档中预测句子的流行度，并提出一种基于 BERT 的神经模型和辅助任务中的句子重要性预测的转移学习方法。使用生成的一组句子级别的流行度注释，建立第一个可自动创建的数据集 InfoPop。研究表明，从句子重要性的预测中进行转移学习可以加强句子流行度的预测。

    Dec, 2022

  • 使用长短期记忆网络的深度句子嵌入：分析和在信息检索中的应用

    本文提出了一种基于循环神经网络和长短时记忆单元的句子嵌入模型，该模型能够自动侦测句子中关键词和主题，从而进行网络文档检索等艰难的语言处理任务，并在性能上显著优于现有的先进方法。

    Feb, 2015

  • 大规模投资前的动漫热度预测：基于深度学习的多模态方法

    本研究提出了使用多模态文本图片数据集预测日本动漫热门度的方法，通过使用从互联网中获取的开源数据构建这一数据集，利用基于 GPT-2 和 ResNet-50 的深度神经网络模型，研究多模态文本图片输入与热门度之间的相关性，发现数据集的相关优势和弱点。通过使用均方误差（MSE）度量模型的准确性，当考虑所有输入和完整版本的深度神经网络时，获得最佳结果为 0.011，而传统的 TF-IDF 和 PILtotensor 向量化方法获得的基准 MSE 为 0.412。这是首次使用多模态数据集来解决此任务，揭示了即使使用相对较小的模型（ResNet-50）对图像进行嵌入处理也能带来的显著好处。

    Jun, 2024

  • 利用深度神经网络进行大规模 YouTube-8M 视频理解

    本文基于 YouTube-8M 大规模数据集，提出了三种视频分类模型，分别基于帧池化和 LSTM 网络，第三个模型使用 Experts 混合中间层以增加模型容量，并进行了一系列处理不平衡训练数据的实验。

    Jun, 2017

  • 神经网络简化标题提高科学文章可见性

    本文讨论用于帮助科学内容提供商提供推荐工具的方法，该方法通过利用 ResearchGate 的统计数据来偏置训练数据集，并应用专门设计的后处理步骤到神经序列到序列模型中，以产生具有不同信息水平的标题的解决方案，以达到吸引人的同时也具有透明性的平衡。

    Apr, 2019

  • 使用神经网络检测点击诱饵：你绝不会相信接下来发生了什么！

    本文介绍了一种基于循环神经网络的神经网络架构，用于检测新闻标题中的 'clickbait'，该模型依靠从大型未注释的语料库中学习的分布式词表示和通过卷积神经网络学习的字符嵌入。在新闻标题数据集上的实验结果表明，这种方法表现优于现有的 'clickbait' 检测技术，具有 0.98 的准确率，0.98 的 F1 得分和 0.99 的 ROC-AUC 度量。

    Dec, 2016

  • 用长期和短期兴趣建模进行图神经新闻推荐

    通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互，并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式，从而在新闻推荐系统中扩展高阶结构信息。实验结果表明，该模型在新闻推荐方面显著优于现有的方法。

    Oct, 2019

  • 长短期记忆视频摘要

    本文提出了一种针对视频进行自动化重点帧或子镜头选择的新型监督学习技术，其将问题视为顺序数据上的结构化预测问题，主要想法是利用 LSTM（长短时记忆），该专用网络类型可模拟视频摘要任务中包含的可变范围依赖性，详细分析证明了模型设计的合理性，通过引入领域适应技术，我们还介绍了应对训练复杂学习模型所需大量注释数据需求的技术。

    May, 2016