WWWMay, 2021

可控梯度物品检索

PDF
TL;DR本文提出一种基于弱监督学习的方法，实现了从用户 - 项目交互数据中学习到离散的项目表示，并在项目表示空间中 “沿着修改方向” 检索渐变方式的项目序列，达到渐变式变化，并在项目检索任务中运行得分优于现有方法。
gradient item retrievaldisentangled item representationweakly-supervised methodsemantic meaning of attributesitem sequence retrieval
发现论文，激发创造
  • 弱监督表示学习在大规模产品检索中的应用

    本文介绍了一种用于 eBay 可视搜索挑战的弱监督商品检索的新型解决方案，该方案通过使用来自商品标题的伪属性作为多标签分类的真实值，采用多个强大的 backbones，包括白化，重排序和模型集成等后处理技术，实现了 71.53% 的 MAR，为 “Involution King” 在排行榜上获得第二名。

    Aug, 2022

  • 通过识别语义方向在 T2I 模型中实现连续、个体化的属性控制

    通过观察在常用的基于标记级别的 CLIP 文本嵌入中存在与高级属性进行主题特定的精细控制的方向，我们提出了一种有效的无优化方法和一种稳健的优化方法，以从对比文本提示中识别出特定属性的这些方向。我们演示了这些方向可以用于以组合方式增强提示文本输入，实现对特定主题的属性进行精细控制（单个主题的多个属性控制），而无需适应扩散模型。

    Mar, 2024

  • 通过闭环解缠实现文本属性控制

    利用半监督对比学习方法，我们提出一种新的方法来实现属性的稳健控制，并增强内容的保留。通过重新解缠重构的句子并将其与原始潜变空间进行比较，我们实现了一个闭环解缠过程，进一步帮助内容保留。与以往方法不同，对比学习方法能够代替最小化互信息和对抗训练在解缠过程中的作用，从而减少计算成本。我们在三个文本数据集上进行了实验证明了我们模型的有效性。

    Dec, 2023

  • 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

  • 利用自注意力机制的下一项推荐

    本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

    Aug, 2018

  • 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

  • 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

  • 面向序列推荐中表示退化问题的对比学习

    本文提出了一种新的推荐模型 DuoRec，通过对用户行为序列的表示形式的优化，解决了深度学习模型在生成物品表示时的退化问题，并在五个数据集上进行了实验验证。

    Oct, 2021

  • 通过编辑纠缠隐式表示实现可控非监督文本属性转移

    我们提出了一种基于 Transformer 自编码器和快速梯度迭代修改算法的非监督文本属性转移框架，可在不使用任何平行数据的情况下更改特定属性，同时保留其属性独立内容，并且能够灵活控制转移程度和同时转移多个方面。

    May, 2019

  • 删除，检索，生成：一种简单的情感和风格转换方法

    本文提出了一种基于文本属性转换的方法，采用无监督学习来分离属性和独立内容，通过删除特定短语和替换生成适当的输出。在三个不同领域的数据集中，优于先前最佳系统的正确率提高了 22%。

    Apr, 2018