SIGIROct, 2021

通过记忆增强变压器网络进行多路行为关系学习推荐

PDF
TL;DR该研究旨在解决当前推荐系统仅考虑用户与物品的单一交互类型，无法识别具有复合行为关系的交互信号的问题，通过提出使用记忆 - 增强变压器网络（MATN）的方法实现多重行为关系信息推荐。经过实验证明，该方法在两个基准数据集和真实世界的电子商务用户行为数据方面均取得了显著的改进。
recommender systemsmemory-augmented transformer networksmulti-type user-item interactionsbehavioral contextbehavioral inter-dependencies
发现论文，激发创造
  • 关系变换网络

    该论文提出了一种新颖的 transformer 模型，用于场景图生成和关系预测，利用编码器 - 解码器架构和节点和边的丰富特征嵌入，通过自我注意力和交叉注意力模拟节点之间和边与节点之间的交互，并引入适用于处理解码器中的边的新的位置嵌入。

    Apr, 2020

  • 多人动作预测的联合关系变换器

    我们提出了关节 - 关系转换器，利用关系信息来增强交互建模和提高未来运动预测的准确性。

    Aug, 2023

  • 交互关系网络用于相互动作识别

    我们提出了交互关系网络（Interaction Relational Network），它是一种简单而强大的架构，利用了关于人体结构的最少先验知识，通过定义不同的关系和重要的有结构的成对运算来更好地表示交互，并使用 LSTM 来进行关系推论，实现了与先前最先进的方法相似的结果。

    Oct, 2019

  • 循环交互网络联合抽取实体和分类关系

    采用多任务学习方法解决实体和关系联合提取问题，提出了一种称为循环交互网络的多任务学习模型，能够动态地学习交互来有效地模拟分类的任务特征，并在两个真实数据集上进行实证研究验证了该模型的优越性。

    May, 2020

  • 图像文本匹配和检索的 Transformer 推理网络

    本文介绍了使用 Transformer Encoder Reasoning Network 架构来进行图像与文本的自动匹配，以便于实现大规模信息检索。试验结果表明，本架构成功实现了该任务且获得了创新性的成果。

    Apr, 2020

  • 基于人属性的交互感知联合注意力估计

    本文提出了单张图像中的联合注意力估计，通过引入上下文线索、模拟各属性之间的相互作用，并采用基于 Transformer 的注意力网络来编码联合注意力为低维特征。通过预测像素级联合注意力的置信度热力图，改善了热力图的准确性，并结合了图像的普通注意力估计进一步提高了估计的联合注意力。相比其他方法，我们的方法在定量实验中表现更好。

    Aug, 2023

  • 跨模态时变关系学习用于生成动态场景图

    本研究提出了一种 Time-variant Relation-aware TRansformer（TR^2）模型，通过学习提示句子中关系标签的嵌入差异，实现了跨模态特征指导，设计了一个关系特征融合模块与转换器以及描述相邻帧之间差异的额外信息令牌，以有效建模动态场景图中的时变关系，实验证明其在 Action Genome 数据集上的表现优于之前最先进研究方法。

    May, 2023

  • 多模态基于图的转换器框架用于生物医学关系抽取

    本研究介绍了一种使用多模态线索（如分子结构）帮助模型学习实体（蛋白质）的多组学生物信息的新颖框架，以图形为基础的多模态学习机制利用 GraphBERT 模型编码了文本和分子结构信息，并利用不同模态的基础特征进行端到端的学习。在生物医学领域的蛋白质相互作用任务中，我们的提出的广义方法发现受到了领域特定模态的额外获益。

    Jul, 2021

  • 图形转换器用于图形到序列学习

    本文提出了一种名为 “图变压器” 的模型，使用显式关系编码并允许两个远程节点之间的直接通信。与局部邻域信息交换的图神经网络不同，它提供了一种更有效的全局图结构建模方式，并在抽象意义表示文本生成和基于句法的神经机器翻译应用中表现出优异的性能。

    Nov, 2019

  • Transformer 跟踪的广义关系建模

    本文提出了一种基于适应性标记划分的关系建模方法，通过与模板标记的交互来改善现有的单流跟踪器中可能出现的目标 - 背景混淆问题，并引入注意掩蔽策略和 Gumbel-Softmax 技术，以促进标记划分模块的并行计算和端到端的学习，在六个具有挑战性的基准测试中实现了最先进的性能。

    Mar, 2023