零样本推荐系统
通过利用用户 - 物品交互矩阵的统计特性,我们学习了用于支持无需用户或物品辅助信息的零 - shot 自适应(zero-shot recommendation)的通用表示,从而探索了预训练推荐模型在新领域构建推荐系统的可能性。
Sep, 2023
本研究提出了使用零样本学习方法进行需求分类的可能性,使用了上下文词嵌入和基于 transformer 的语言模型,通过一系列实验展示了该方法在三项分类任务上取得了不俗的结果。这种零样本学习方法可以缓解在需求工程中数据短缺的问题。
Feb, 2023
该研究提出了一种无类别依赖的零样本识别分类器,利用二分类预测问题建模后使用词典学习,通过概率模型进行匹配概率的建模,取得了四个基准数据集平均准确率上 4.9% 的提升,在零样本检索任务中则获得了 22.45% 的平均精确度提升。
Nov, 2015
本文提出一种利用数据依赖特征转换和潜在的结构支持向量机,以及采用双线性相似度函数和正则化最小二乘作为特征位移的惩罚,来进行零样本识别的方法,实验结果表明本文提出的方法在几个基准数据集上表现优异。
Nov, 2016
本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法,探讨了零样本学习的 generalized zero-shot learning 的问题,并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异,强调改进类别语义嵌入对于 GZSL 的重要性。
May, 2016
当给定少量标记数据时,零样本学习方法可以利用外部信息(例如文本描述)来对输入文本数据进行实体和关系分类。然而,最近的研究表明这些方法对提供的实体(或关系)描述非常敏感,即使描述的微小修改也可能导致决策边界的变化。本文正式定义了识别零样本推断中有效描述的问题,并提出一种生成初始描述变体的策略、对它们进行排序的启发式方法以及一种能够通过描述增强来提升零样本模型预测效果的集成方法。实验结果表明,我们提出的方法在四个不同的实体和关系分类数据集上优于现有方法,并在零样本学习设置下实现了新的最先进结果。所提出解决方案的源代码和评估框架已经开源。
Jun, 2024
本文综述了广义零样本学习(GZSL)的问题及挑战,展示了一种分层分类方法,并讨论了每个类别中的代表性方法,同时探讨了 GZSL 可用的基准数据集和应用以及未来研究方向。
Nov, 2020
该研究提出了一种名为 Zshot 的新型零样本学习(ZSL)框架,旨在解决 ZSL 面临的挑战,为研究人员提供一个平台,允许他们在标准基准数据集上比较不同先进的 ZSL 方法,并且还支持工业界提供可用的 API,用于在标准 SpaCy NLP 流程中进行生产。
Jul, 2023