Nov, 2018

注意力融合网络：结合行为和电子邮件内容以提高客户支持

PDF
TL;DR介绍了 Attention Fusion Network 模型，它通过结合从 Square 产品生态系统中提取的卖家交互信号和提交的电子邮件问题，预测卖家问题的最相关解决方案，表明使用最先进的深度学习系统结合两种很少一起使用的数据来源，远胜单一数据来源训练的模型。
customer supportattention fusion networkseller interactionsdeep learning systemsproduct ecosystem
发现论文，激发创造
  • FusionNet: 基于全意识关注的融合方法及其在机器理解中的应用

    本文介绍了一种名为 FusionNet 的新型神经结构，它通过三个方面的创新来扩展现有的注意力方法。我们将 FusionNet 应用于斯坦福问答数据集（SQuAD）中，并在官方 SQuAD 排行榜上取得了单一模型和集成模型的第一名。同时，我们验证了 FusionNet 的泛化性，并且它在两个对抗性 SQuAD 数据集上取得了新的最高水平。

    Nov, 2017

  • 使用分层注意力混合深度学习方法进行电子邮件垃圾邮件检测

    本文提出了一种新的基于一种结合了卷积神经网络、带门循环单元和注意机制的技术的邮件垃圾邮件检测方法，该方法利用卷积层逐层提取意义深刻、抽象且具有泛化性的特征，同时包含跨数据集评估。经过交叉数据集评估，本方法优于现有基于注意机制的技术，实现了更灵活的接受域大小的使用。

    Apr, 2022

  • 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

  • 一张图 worth 一千字吗？一种深度多模融合 e-commerce 商品分类模型

    该论文采用决策级融合方法将文本和图像输入用于产品分类预测，通过训练深度神经网络和学习网络来选择输入类型，并成功地提高了大规模产品分类数据集上的准确性。

    Nov, 2016

  • 自动化客户支持

    本论文比较了三种模型在自动客服中的应用：检索模型，基于序列到序列模型的注意力模型和 Transformer 模型。其中，实验表明序列到序列模型在语义和词重复方面优于其他两种模型。

    Sep, 2018

  • 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

  • 基于视觉搜索与文本反馈的模态无关注意力融合

    本研究采用自然语言反馈的图像检索方法，结合图像与文本特征实现细粒度视觉搜索并提出了 MAAF 模型，在 Fashion IQ 和 CSS 数据集中比现有方法表现更优，同时在 Fashion200k 数据集中也取得竞争性表现。此外，我们还提出了两个适用于丰富语言输入的新挑战基准，并通过实验证明该方法在不修改时优于强基线。最后我们在 Fashion IQ 上进行了深入细致的分析和可视化，揭示了单词避免 “关注” 他们所指图像区域的惊人现象

    Jun, 2020

  • 从用户和产品级别信息中学习评论表示以进行垃圾邮件检测

    提出一种用于自动学习用户和产品层次的评论语义的 HFAN 方法，包括设计多重注意单元以提取用户（产品）相关评论信息、使用正交分解和融合注意力从评论信息中学习用户、评论和产品表示以及将评论作为用户和产品实体之间的关系并将其编码为评论表示。实验结果表明此方法在四个真实数据集上表现优于现有方法。

    Sep, 2019

  • 基于层次融合的多模态电子商务产品分类

    本研究提出了一种多模态模型，通过使用多个神经网络模型从文本（CamemBERT 和 FlauBERT）和视觉数据（SE-ResNeXt-50）提取的特征，并采用简单的融合技术，显著提高了单一模态模型的性能和类似模型性能，我们实验了多种融合技术，并发现将单一模态网络的个体嵌入组合为特征向量的拼接和平均值结合的性能最好，每种模态互补了其他模态的缺点，证明增加模态数量可以是改善多标签和多模态分类问题性能的有效方法。

    Jul, 2022

  • 通过用户关注和产品关注改进评论表示以进行情感分类

    本文提出了一种新的神经网络框架来编码用户和产品信息，并通过注意力机制将两种信息结合起来进行训练和预测，在 IMDB 和 Yelp 的数据集上显著优于其他最先进的方法。通过对用户或产品相关单词的注意力可视化，验证了对两种信息在情感分类中起着不同作用的观察结果。

    Jan, 2018