MMJul, 2021

电商基于会话的推荐的多模态特征和后融合上下文的 Transformer

PDF
TL;DR本文介绍了 SIGIR 2021 Workshop on E-commerce Data Challenge 中获胜的 Session-based recommendation 算法解决方案，该方案受自然语言处理技术启发，由两个 Transformer 架构 - Transformer-XL 和 XLNet - 的整合组成，通过联合表格事件、文本和图像向量构建多模型特征来解决该任务。同时，文章还对模型的预测效果进行了分析。
session-based recommendatione-commercenlptransformer-xlxlnet
发现论文，激发创造
  • 基于 Transformer 模型的智能电子商务推荐的文本理解与生成

    Transformer 结构预训练模型在电子商务领域的核心应用场景包括但不限于产品描述的自动生成、用户评论的情感分析、个性化推荐系统的构建和客服对话的自动处理。本研究通过对模型的工作原理、实施过程和具体案例中的应用效果进行详细分析，强调了预训练模型在理解复杂用户意图和提高推荐质量方面的独特优势，并讨论了未来的挑战和改进方向，例如如何进一步提高模型的泛化能力、处理大规模数据集的能力以及保护用户隐私的技术策略。最终，该论文指出 Transformer 结构预训练模型在电子商务领域不仅推动了技术创新，还给商家和消费者带来了实质性的利益，并展望这些模型在电子商务和其他领域将继续发挥关键作用。

    Feb, 2024

  • 用户画像识别和新服务适配推荐

    基于高维度轨迹信息，我们通过使用 SessionBERT 方法来识别用户画像，提供个性化的网页用户体验和推荐服务。

    Nov, 2023

  • 阿里巴巴电商推荐中的行为序列变换器

    该研究使用基于 Transformer 模型的深度学习方法，通过捕捉用户行为序列中的顺序信号来改进推荐系统，实验结果表明相较于基线算法，该模型在淘宝上线后获得显著的点击率提升。

    May, 2019

  • 基于层次融合的多模态电子商务产品分类

    本研究提出了一种多模态模型，通过使用多个神经网络模型从文本（CamemBERT 和 FlauBERT）和视觉数据（SE-ResNeXt-50）提取的特征，并采用简单的融合技术，显著提高了单一模态模型的性能和类似模型性能，我们实验了多种融合技术，并发现将单一模态网络的个体嵌入组合为特征向量的拼接和平均值结合的性能最好，每种模态互补了其他模态的缺点，证明增加模态数量可以是改善多标签和多模态分类问题性能的有效方法。

    Jul, 2022

  • 基于时间建模的混合模型用于顺序推荐系统

    本文介绍了基于深度学习的推荐系统方法，特别是基于循环神经网络、transformers 和 attention 机制的方法。通过多次实验和改进 Neural Attentive Recommendation Machine (NARM)，我们的研究表明优化后的 NARM 是所有现有基准方法中表现最好的。

    Mar, 2021

  • 借助循环神经网络进行具有上下文的混合会话新闻推荐

    提出了一种基于上下文、深度学习的会话式新闻推荐方法，通过考虑文章流行度和新颖性等多种信息类型，显著提高了推荐准确性和目录覆盖率，并且能够在准确性和新颖性之间进行平衡。

    Apr, 2019

  • 多任务端到端训练改善对话式推荐

    本文基于 T5 文本转文本的 transformer 模型，将多任务端到端模型应用于对话推荐任务，实现了推荐相关项目和生成对话的双重目标，其中多任务学习和来自 ReDIAL 数据集的探针研究得到了应用。

    May, 2023

  • 使用 Transformer 进行多模态学习的综述

    本文综述了多模态学习领域中基于 Transformer 技术的研究现状及应用，包括几种常见变种结构和应用场景，讨论了现有模型存在的问题和未来研究方向。

    Jun, 2022

  • 检索增强的 Transformer-XL 用于闭域对话生成

    本研究提出了基于 Transformer 的多轮对话响应生成模型，采用新颖的检索机制，结合 k 最近邻搜索，基于 Google 发布的 Taskmaster-1 数据集和真实的客户服务呼叫中心数据集进行评估，结果优于强基线模型。

    May, 2021

  • 预测购买意向：使用递归神经网络进行自动特征学习

    该研究提出了一种神经网络模型，用于准确预测电子商务中的购物意愿，并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题，同时，多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联，取得了 98％与先进技术相当、甚至超过先进技术的分类准确率，无需进行特定领域或数据集相关的特征工程。

    Jul, 2018