ACLJun, 2019

联合考虑上下文和用户历史信息的在线对话重返预测

PDF
TL;DR研究在线交流中重新参与预测的问题，提出了一个基于神经网络的框架，考虑了对话上下文和用户历史信息，实验结果表明该模型较之前的方法表现更优
online communicationre-entry predictionneural frameworkcontext modelinguser history
发现论文，激发创造
  • 自监督学习下的在线对话再入预测

    本研究提出了三个辅助任务来作为自监督信号以帮助重返预测，这些任务包括传播模式，重复目标用户和转换作者，实验结果表明，我们的方法在 Twitter 和 Reddit 数据集上的表现优于先前的 state-of-the-arts。

    Sep, 2021

  • 基于上下文的在线社交平台用户参与度预测

    在线社交平台成功的关键在于它们能够以大规模预测和理解用户行为。我们展示了数据，表明上下文感知建模方法可能提供全面、轻量且可能保护隐私的在线社交平台用户参与表示。利用深度 LSTM 神经网络分析来自近 80,000 个用户的 1 亿多个 Snapchat 会话，我们证明了过去行为可以预测主动和被动使用的模式（R2=0.345），而与行为基线模型相比，整合上下文信息可以显著提高预测性能（R2=0.522）。与从应用内行为历史中提取的特征相比，与智能手机连接状态、位置、时间上下文和天气有关的特征被发现捕捉到了用户参与度中非冗余的变化。此外，我们还发现，如果考虑当时的上下文信息，大部分变化都可以用极简的行为历史来解释（R2=0.44）。这些结果表明，上下文感知方法有潜力通过减少对长期数据历史的需求来使模型更高效和保护隐私。最后，我们运用模型可解释性技术来初步了解潜在的行为机制。我们的发现与上下文相关、习惯驱动的主动和被动使用模式的概念一致，突显了上下文化用户行为表示对于预测社交平台用户参与的价值。

    Oct, 2023

  • 会话上下文线索：以个性化和历史为例的反应排序

    利用 Reddit 数据集，我们在多方参与、自由结构的多轮对话中研究了不同结构元素对话建模的影响，并训练了深度神经网络来预测对话的下一句。我们发现，对话的上下文和参与者的历史信息都对预测准确性有所提高。

    Jun, 2016

  • 融合会话历史和候选来源进行上下文响应排序的对话系统中的 FCC

    本论文提出了一种灵活的神经网络框架，利用上下文信息从多个渠道进行整合来提高多轮对话响应排序的性能。在 MSDialog 数据集上的实验结果表明，我们的框架显著优于先前的最先进模型，提高 Recall@1 7％和 MAP 4％。

    Mar, 2023

  • 基于上下文的推文互动预测

    利用 RecSys 挑战数据集和评估程序，研究了仅利用上下文是否能够预测推文互动概率，并发现用户的先前互动历史、标签和链接的热度等特征对预测最具信息量。然而，相较于只基于内容的模型和挑战胜利者开发的模型，这些基于上下文的模型在 RCE 得分方面表现出较低。因此，提出了改进实现的潜在改进方法。

    Sep, 2023

  • 面向个性化文本分类的增量用户嵌入建模

    本研究提出一种增量用户嵌入建模方法，通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中，从而实现个性化用户表示的学习，并成功将其应用于 Reddit 数据集的个性化多类分类任务中，并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。

    Feb, 2022

  • 对话线程的特征描述和整理：包括扩展、关注点、数量、重回

    本文研究了论坛讨论中的两个关键子问题：评论数量预测和再次参与预测，并针对这两个问题提出了一些基于学习的方法并进行了评估。

    Apr, 2013

  • 基于动态图注意力网络的基于会话的社交推荐

    该研究提出了基于动态图注意力神经网络的在线社区推荐系统，能够模拟用户动态行为，并根据用户当前兴趣动态推断影响因素，经实验验证，其效果优于现有的各种方法。

    Feb, 2019

  • 基于图的上下文感知模型：理解在线对话

    提出一种基于图的深度学习架构 GraphNLI，利用图遍历来增强在线讨论中评论的上下文信息，提高评论情感极性和仇恨言论检测任务的性能。

    Nov, 2022

  • 无监督的上下文重写技术，用于开放领域对话

    采用明确的语境重写方法，基于强化学习的上下文重写网络有助于候选检索，可解释的上下文建模以及在多轮会话中使用单轮框架。

    Oct, 2019