SIGIRMay, 2021

关于推荐系统的软属性解释和测量

PDF
TL;DR讨论了如何稳定地解释推荐系统中的自然语言细化 (或批评)，提出了一种基于个性化相对语句的更自然的表述方式，并提供一组评分方法，从无监督到弱监督到全监督，在解释和处理软属性的基础上提供了方案。
发现论文，激发创造
  • 交互推荐中的软属性偏好征求

    基于软属性，利用概念激活向量开发了一种新颖的偏好征集方法，结合了物品和属性的偏好征集，以提高推荐系统的推荐质量。

    Oct, 2023

  • 利用概念激活向量在推荐系统中发现软属性的个性化语义

    利用概念激活向量（CAVs）来学习用户语义意图，将其与用户喜好和行为联系起来，并能够通过互动评论来提高推荐准确性的交互式推荐系统。

    Feb, 2022

  • 从多方面评论中学习态度和属性

    本文提出了基于多层次评价维度的评分系统，并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集，证明了该模型的可行性及在现实世界数据上的可扩展性。此外，该模型能够自动学习与特定方面相关的内容词和情感词，从而将评论文本中的内容和情感信息分离开来。

    Oct, 2012

  • 对话中个人属性的低资源预测

    该论文提出了一种名为 PEARL 的框架，该框架通过在低资源情况下利用发言中大量的个人属性知识来预测个人属性，该框架结合了 biterm 语义信息和单词共现信息，通过在迭代过程中采用更新后的先前属性知识来优化 biterm 话题模型的 Gibbs 采样过程，多样化的实验结果表明，PEARL 在从对话中预测个人属性的任务上优于所有基线方法，并在一个数据集上的更普遍的弱监督文本分类任务中表现也很好。

    Nov, 2022

  • 将主观众评估作为改进自然语言生成的附加客观标准的估计

    本文探讨在多任务学习设置中，使用主观评估作为语言生成模型训练的一部分，并使用群众创作对话语料库对六种不同的语言生成模型进行微调。评估显示，多任务学习的模型生成的话语在主观上评分最高，且在推动对话发展、无冒犯性等方面得分最高。因此，将来可以研究将主观人类评估纳入语言生成模型训练中，从而在开发过程中更好地与人类用户进行交互。

    Apr, 2021

  • 使用主观和事实属性构建高精度知识库

    本文提出了一种用于构建具有可调精度的知识库的方法，该方法通过概率建模用户对每个实体 - 属性对的共识，来控制知识库的精度，并介绍了三种神经网络用于拟合共识模型，并在 Google Maps 数据上进行了评估。研究表明所提出的学习模型很好地校准，并且能够成功地用于控制知识库的精度。

    May, 2019

  • WhittleSearch：基于相对属性反馈的交互式图片搜索

    该论文提出了一种新颖的图像搜索反馈模式，其中用户可以描述应调整示例图像的哪些属性以更贴近其所寻找的图像的心理模型，并利用比较语言以多维属性空间中的约束迭代更新其相关性函数和重新排列图像数据库，通过使用相对属性的顺序特性，以提高搜索速度和准确性，优化了人、产品和场景的图像搜索。

    May, 2015

  • 学习分布式文本属性表示的乘法模型

    通过在单词嵌入中联合学习文本特征的分布式表征的一般框架，我们提出了一种第三阶段模型，其中单词环境和属性向量相互作用以预测序列中的下一个单词，并通过情感分类、跨语言文本分类和博客作者归因等多个实验任务进行了评估。

    Jun, 2014

  • 相对行为属性：填补符号目标规范和从人类偏好中学习奖励之间的差距

    利用相对行为属性的概念，可以从行为片段中优化智能体的行为表现，并以远少于基线方法的反馈次数，实现非专家用户对智能体行为的偏好指定。

    Oct, 2022

  • FineRec：探索细粒度顺序推荐

    使用 attribute-opinion 对 reviews 进行细粒度处理的新框架 FineRec，在顺序推荐中表现出色，通过大型语言模型提取 attribute-opinion 对，并创建 attribute-specific user-opinion-item 图，使用多样性感知的卷积操作在图中聚合信息，通过交互驱动的融合机制整合了所有属性的用户和物品表示，生成推荐结果。实验证明了 FineRec 在处理任务中的有效性。

    Apr, 2024