ACLMay, 2023

多模态评论有用性预测中基于列表上下文模型的梯度提升决策树

PDF
TL;DR本研究提出了一种多模态评论有用性预测 (MRHP) 模型，使用 listwise attention 网络和 gradient-boosted 决策树作为评分预测器，可显著提高了模型的泛化性和整个评论列表的排名效率。
multimodal review helpfulness predictionproduct reviewsneural networkslistwise attention networkgradient-boosted decision tree
发现论文，激发创造
  • 多模态 Transformer 上的自适应对比学习用于评论有用性预测

    本研究旨在提高现代评论有用性预测系统的性能，提出了一种基于多模态对比学习的方法，聚焦于输入模态之间的信息，提高了跨模态关系的显式表达，并引入自适应加权策略以提高优化的灵活性，同时提供了多模态交互模块以解决多模态数据的分布不一致问题，实验证明该方法优于基线算法，在两个公开数据集上实现了最先进的结果。

    Nov, 2022

  • 基于选择性注意力和自然对抗学习的多模态评论帮助性预测

    本文提出了一种名为 SANCL 的选择性关注和自然对比学习的方法，应用于多模式评论有用性预测，通过构建自然匹配属性的对比学习框架，以及通过探测策略加强对重要性高的区域的关注，达到了当前最先进的基线性能，并具有更低的内存消耗。

    Sep, 2022

  • 电子商务中基于评论引导的有用答案识别

    本文提出了一种基于评论引导的答案有用性预测模型，该模型不仅考虑了 QA 对之间的交互，还探讨了答案与众筹意见之间的意见连贯性作为识别有用答案的另一个重要因素，并探索了利用预训练策略将从一个特定设计的经过训练的网络中获得的文本推理知识转移的方法。该模型在七个产品类别上进行的广泛实验表明，其在预测任务中的表现优异。

    Mar, 2020

  • 利用高速网络的科学论文多任务推荐系统

    本论文提出了一种基于深度学习的多任务推荐系统，用于从科学论文中提取关键信息，包括关键字、作者以及推荐评分等。系统采用 RNN、Highway 和 CNN 等多种深度学习技术，以端到端的方式学习上下文语义，解决冷启动等问题。

    Apr, 2022

  • 具有关注交互的非对称分层网络，用于可解释的基于评论的推荐

    本文中，我们开发了一种新颖的神经网络模型，通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。

    Dec, 2019

  • 从评论中学习分布式表示用于协同过滤

    通过引入自然语言评论作为优化产品表示的一种方式，将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现；本文提出两种不同类型的评论模型，包括基于神经网络的词袋专家模型和循环神经网络模型，并证明前者的模型灵活性表现出了更高的性能表现，超越了基于 LDA 的方法。

    Jun, 2018

  • 学习深度列表上下文模型用于排序细化

    本研究提出了一种基于序列神经网络和局部排名上下文的深度列表上下文模型，通过对排名结果的特征分布的学习来优化初始的排名列表，实验结果证明该模型在标准的信息检索领域中显著提高了学习排序方法的表现。

    Apr, 2018

  • 多角度匹配的分层卷积神经网络在社交媒体搜索中的应用

    该论文描述了一种新型的神经检索模型 ——MP-HCNN，它是专门设计用于排名社交媒体短文本且具备区别于传统网页和新闻文档的特征，使用分层卷积层来学习语义匹配，混合了多种类型的匹配证据来衡量相似度，并且实验证明这种模型在 TREC 微博轨迹 2011-2014 数据集上具有比基于特征和现有神经排名模型更好的性能表现。

    May, 2018

  • GRN: 面向上下文的推荐生成重排网络

    本文提出了一种新的上下文感知再排序框架 —— 生成再排序网络（GRN），包括一个基于 Bi-LSTM 和自注意力机制的评估器和一个带有 GRU、注意力机制和指针网络的生成器，通过交叉熵损失和策略梯度来优化，实验结果表明，GRN 在推荐任务中的表现优于现有的基于点 / 列表的方法 5.2%~6.1%。

    Apr, 2021

  • 面向推荐的多指针协同注意力网络

    该论文提出了一种基于多层次范式的、利用评论进行推荐的神经网络结构，主要包括基于指针的学习方法和多指针学习方案，该结构相对于其他现有的方法在概率指标上有着显著优势。

    Jan, 2018