SIGIRMay, 2020

联合训练胶囊网络用于冷启动推荐

PDF
TL;DR本文提出了一种新颖的神经网络模型，即联合训练胶囊网络模型（JTCN），用于解决冷启动推荐任务。该模型通过引入侧信息模拟用户高级偏好，使用关注机制的胶囊层动态汇总用户高级偏好， 并将用户偏好的损失和推荐中的 softmax 损失联合训练。实验证明，该模型在 CiteULike 和 Amazon 数据集上都优于当前最先进的方法，其中冷启动推荐任务的召回率提高至少 7.07％（CiteULike）和 16.85％（Amazon）以上。
发现论文，激发创造
  • 使用查询引导的胶囊网络增强上下文建模，用于文档级翻译

    本文介绍了一种基于查询引导下的胶囊网络的上下文建模方法，来帮助文档级神经机器翻译生成连贯和一致的翻译；实验结果表明，我们的方法可以在不同领域的多个数据集上显著优于强基线。

    Sep, 2019

  • 多模态机器翻译的动态上下文引导胶囊网络

    本文提出了一种基于动态上下文引导胶囊网络（DCCN）的多模式机器翻译方法，通过引入上下文引导的动态路由机制，与全局和区域视觉特征组合，实现生成翻译时的可变性建模，该方法在英语 - 德语和英语 - 法语翻译多个数据集上超越了当前主流的注意力机制、全局上下文模型和多模式联合表示学习模型。

    Sep, 2020

  • 利用胶囊网络实现线性时间神经机器翻译

    本研究使用动态路由的胶囊网络对线性时间神经机器翻译进行了调查，并提出了一种更加灵活的选择，表示和聚合源句子的部分 - 整体信息的方法。在英德任务和英法任务中，该方法与最先进的神经机器翻译系统获得了可比较的结果。这是关于胶囊网络在序列到序列问题上的首次实证研究。

    Nov, 2018

  • 具有快捷路由的胶囊网络

    该研究引入了一种名为 “快捷路由” 的新型机制，它通过直接激活局部胶囊中的全局胶囊来解决计算效率问题，消除了中间层。同时，还探索了一种基于注意力机制和模糊系数的方法，以提高效率。在 Mnist、smallnorb 和 affNist 数据集上进行的实验证明了与 EM 路由相比，提出的基于模糊和注意力的路由方法能够将计算量分别减少了 1.42 倍和 2.5 倍，突显了它们在胶囊网络中的计算优势。这些发现对于高效准确的层次化模式表示模型的进一步发展具有重要意义。

    Jul, 2023

  • 面向多标签分类的上下文感知胶囊网络

    我们提出了一种改进的胶囊网络架构，包括新的路由权重初始化技术、利用条件随机场利用主要胶囊激活之间的语义关系的改进 CapsNet 设计和基于 Cholesky 变换的相关模块，为多标签分类任务提供了更好的可扩展性。

    Oct, 2018

  • 基于胶囊网络的层次化物体中心学习

    该论文研究了 CapsNets（胶囊网络）的吸引人之处，并聚焦于解锁其全部潜能的三个关键问题：路由算法的有效性、提取更有效的第一层胶囊、以及胶囊网络中的部分关系学习。此外，还展示了 CapsNets 在实际应用中的潜力，包括无人机的自主定位、合成数据集中的四元数旋转预测和生物医学成像中的肺结节分割。该论文的研究结果对于深入理解 CapsNets 并突破复杂的计算机视觉挑战具有重要意义。

    May, 2024

  • 面向具挑战性自然语言处理应用的可扩展可靠胶囊网络

    本文提出了一种改进 capsule 网络在 NLP 中的应用的算法，增加了路由过程的可靠性，改善了网络的可扩展性，并在多标签文本分类和问答任务中验证了其有效性。

    Jun, 2019

  • 用胶囊网络进行推荐和解释您的喜好和厌恶

    该研究利用胶囊网络结合情感分析和逻辑单元技术，从用户评论中挖掘出用户的观点和产品特征，并发现它们之间的关系和情感倾向，从而实现更准确的评级预测和解释。实验结果表明，该方法在七个真实数据集上获得了比最先进的模型更好的预测精度，并可以成功地挖掘出更精细的可解释原因。

    Jul, 2019

  • 基于胶囊网络的知识图谱补全与搜索个性化嵌入模型

    本文提出了一种名为 CapsE 的嵌入模型，探索了胶囊网络来模拟关系三元组（主体、关系、客体），该模型通过卷积层将三列矩阵表示的关系三元组映射为胶囊并计算得分，测试结果表明在 WN18RR 和 FB15k-237 数据集上表现优于之前的嵌入模型，而且在 SEARCH17 中也优于强化搜索个性化的基线模型。

    Aug, 2018

  • 基于深度交叉注意力积网络的用户响应预测

    本文提出了一种新的 DCAP 体系结构，通过多头注意机制和产品神经网络差异化重点交叉特征，并在三个现实世界数据集上进行全面实验，结果表明 DCAP 模型的预测性能优于现有模型。

    May, 2021