Oct, 2017

一种主动推荐邮件附件的方法

PDF
TL;DR本文提出了一种弱监督学习框架，通过搜索查询联系上下文来推荐邮件回复中可附加的项，使用深度卷积神经网络进行查询的形成，该模型在 Avocado 数据集和内部邮件数据集上表现良好。
email responsesrecommendation systemsearch querysupervised learningconvolutional neural network
发现论文，激发创造
  • 智能回复：电子邮件自动回复建议

    本文提出并研究了一种新的端到端方法以自动生成短电子邮件回复，称为 “Smart Reply”。它利用先进的大型深度学习生成语义多元化的建议来作为电子邮件的完整响应，并在 Inbox 邮箱中使用，协助 10％的所有移动响应。该系统具有处理每天数亿条消息的能力，利用了最先进的大规模深度学习技术，同时解决了响应多样性和可扩展性等问题，并引入了一种仅需要少量明确标记的数据进行语义聚类的新方法。

    Jun, 2016

  • 基于个人活动水平和群体亲和趋势的电子邮件推荐响应率的宏观优化

    通过利用个人用户活动数据和所属群体的行为来确定每个用户在某个给定时间期限内对任何一组推荐作出回应的可能性，该文提出了一种新颖的推荐邮件系统，成功地应用于 CareerBuilder 的工作推荐电子邮件系统，总转化率增加了 50％，同时减少了发出的电子邮件数目 72％。

    Sep, 2016

  • 电子商务推荐信箱：规模化的产品推荐

    通过使用神经语言算法，本文研究了如何利用电子邮件收据中用户的购买历史，向雅虎邮件用户提供高度个性化的产品广告，通过离线和在线测试证明了该系统成功提高了点击率和转化率。

    Jun, 2016

  • 智能回复的高效自然语言响应建议

    本文提出了一种计算效率高的机器学习方法来进行自然语言响应建议，使用 n-gram 嵌入特征的前馈神经网络将消息编码为向量进行优化，在大规模商业电子邮件应用程序中得出了响应建议。与序列到序列方法相比，新的系统以较小的计算要求和延迟时间实现了相同的质量。

    May, 2017

  • 利用深度神经学习器对生成的电子邮件进行连贯性建模

    使用层次化深度神经模型生成有结构的邮件以应对基于高级机器学习和自然语言技术的社交攻击的检测问题。

    Jul, 2020

  • 智能待办：从电子邮件自动生成待办事项

    本文介绍了一个名为 Smart-To-Do 的新应用程序，它通过新建任务和数据集，利用神经文本生成和序列对序列学习的最新进展，从电子邮件中自动生成待办事项，是首个解决此问题的工作。

    May, 2020

  • 启发式上下文向量用于鱼叉式网络钓鱼检测

    基于新的文档向量化方法，我们提出了一种检测方法，利用大型语言模型的共同作用来生成表示向量，以解决鱼叉式网络钓鱼攻击问题，并证明了该方法的有效性，可以应用于各种文档分类任务，特别是在对抗性问题领域。

    Feb, 2024

  • 个人邮件搜索中的分离和关注

    本文为了在个人邮件搜索排名中有效地结合稀疏和密集的邮件特征，提出了一种新的神经模型 SepAttn，该模型首先构建了两个独立的神经模型，然后在预测级别应用注意机制，从这两个模型中推导出最终的预测，实验证明，我们的 SepAttn 模型在大规模电子邮件搜索数据集上始终提高了搜索质量。

    Nov, 2019

  • 这封电子邮件可能会挽救您的生命：介绍电子邮件主题行生成的任务

    该研究提出并研究了电子邮件主题行生成的主题，并创建了该任务的第一个数据集。他们发现电子邮件主题行生成偏爱极度抽象的摘要，并开发了一种新颖的深度学习方法来解决这个问题，并将其与几个基础模型和最新的文本摘要系统进行了比较。研究人员还调查了几种基于人类判断的自动度量标准的效力，并提出了一种新的自动评估指标。该系统在自动和人类评估中均优于竞争基线。据我们所知，这是解决有效电子邮件主题行生成问题的首个工作。

    Jun, 2019

  • 可操作的电子邮件意图建模与重新参数化的 RNNs

    本研究提出了一种基于行动的标注方法来注释电子邮件中的意图，并证明了这种方法相对于传统的基于言语行为的注释方法在可扩展性和理论无关性方面更为优越，同时仍然具有重要的语义和语用信息，并通过使用领域自适应 RAINBOW 方法与不同领域的数据集进行初步实验，展示了此行动注释方案在诸多语音行为相关任务中的卓越表现。

    Dec, 2017