MMFeb, 2020

基于粗糙集聚合排名度量及其在监督式多文档摘要中的应用

PDF
TL;DR本文提出了一种新的基于粗糙集的成员资格称为排名度量，用于排名特定类别的元素，特别是在处理存在于现实世界问题中的不一致，错误和缺失数据时。然后，我们将成员资格和排名的概念应用于有监督的多文档摘要问题，其中首先使用各种有监督的学习技术确定重要句子类，然后使用所提出的排名测量进行后处理。结果在准确性方面有显着提高。
发现论文，激发创造
  • RankSum：一种基于排名融合的无监督提取式文本摘要

    本文介绍了一种名为 Ranksum 的基于多维句子特征排名融合的单文本抽取式摘要方法，通过提取每个句子的主题信息、语义内容、显著关键词和位置，然后在无监督的方式下使用加权融合四个分数，将句子按照重要性进行排序。该方法利用概率主题模型确定主题排名，使用句子嵌入来捕捉语义信息，通过 Siamese 网络生成抽象句子表示，并利用图论方法找到文档中的重要关键词和相关句子排名，在摘要中采用基于二元组、三元组和句子嵌入的句子新颖性度量来消除冗余句子，最后融合所有特征计算出文档中每个句子的最终得分。实验结果表明，该方法在公开的 CNN/DailyMail 和 DUC 2002 摘要数据集上优于其他现有最先进的摘要方法。

    Feb, 2024

  • 功能选择、分类和知识表示的高效准确粗糙集

    此篇论文提出了一种基于粗糙集的数据挖掘方法，实现了特征选择、分类和知识表示，通过相对重要性提出了粗糙集的效率和准确性，为知识表示和分类提出了粗糙概念树。实验结果表明，该框架比七种流行的或最新的特征选择方法具有更高的准确性。

    Dec, 2021

  • SetRank：基于集合贝叶斯方法的隐式反馈协同排名

    本文提出了一种基于集合的贝叶斯方法 SetRank 用于协同排序，旨在最大化新颖的集合偏好比较的后验概率。同时作者还经过理论分析表明误差的上界与用户和产品数量成正比。最后，四个真实世界数据集的广泛实验清楚地验证了 SetRank 相对于各种现有技术基线的优越性。

    Feb, 2020

  • 投票与排序：基于社会选择理论的基准评估修订

    该论文提出了 Vote'n'Rank 框架用于在多任务基准测试中排名系统，并通过该方法在不同领域中比较多个系统的表现，从而得出结论和新的 insights。

    Oct, 2022

  • 直接优化排序度量

    介绍了一种新的优化丢失功能的方法以提高 Web 页面排名和协同过滤的性能，并使用结构化估计在希尔伯特空间中进行直接优化，所提出的算法被证明是快速且表现良好。

    Apr, 2007

  • 科学文献实体集搜索：一种无监督排序方法

    本文提出了一个名为 SetRank 的无监督排序框架来解决科学文献搜索中的实体集查询问题，并利用一种基于加权排序聚合技术的模型选择算法来自动选择参数设置，实验表明该方法在处理实体集查询时优于基线无监督模型。

    Apr, 2018

  • 长篇科学文档的基于话语的无监督摘要

    本文提出了一种基于无监督的基于图的排名模型，用于提取科学文献的摘要。我们的方法假定源文档采用两级分层图表示，并利用不对称的位置提示来确定句子的重要性。在 PubMed 和 arXiv 数据集上的结果表明，我们的方法在自动指标和人工评价方面优于强无监督基线。此外，其性能与许多基于监督学习的方法相当。这些结果表明，篇章结构中的模式是确定科学文章重要性的强有力信号。

    May, 2020

  • 度量空间中的排名赌博机：在大型文档集上学习最佳多样性排名

    本研究提出一种学习排序的公式，并针对文档相似性和排名上下文，提出几种可扩展的算法，优化满足用户需求的数量，是从文献中的 “排名老虎机” 和 “Lipschitz bandits” 两个多臂老虎机模型推广的。经实验证明，我们的算法学习速度比以前的方法快几个数量级。

    May, 2010

  • 带权重排名聚合的权重集分解：一种可解释且视觉化的决策支持工具

    本文介绍一种新的工具，用于可视化和显示加权排名聚合方法的排名信息。我们使用重量集分解来研究解决这种问题时产生的信息。这种方法可以将聚合排名中被折叠的信息转化成一种有用、可解释、直观的决策支持工具。

    May, 2022

  • 最小化排名区间和的学习

    该论文提出了一种将一组单独的值合并为单个输出的学习目标函数方法，该方法通过排序后的数值范围之和（SoRR）来最小化，其中使用凸区分算法（DCA）求解，应用于二元和多元分类问题中的损失函数优化，实验证明了该优化框架的有效性和应用价值。

    Oct, 2020