ACLJul, 2023

极少标签下的多模态提示学习用于产品标题生成

PDF
TL;DR本文提出了一种基于多模态提示学习框架的方法，通过仅使用少量标注数据快速高效地为新颖产品生成标题，并在不同场景中进行实验证明，在仅使用 downstream 标签数据 1% 的情况下，该方法实现了最佳 few-shot 学习效果，甚至与完全监督的方法相比也具有竞争力。
e-commercemultimodal prompt learningproduct title generationfew-shot learningnovel products
发现论文，激发创造
  • 多模态生成对抗学习优化产品标题

    本文提出了一种多模态生成对抗网络 MM-GAN，用于生成商品的简短标题，可综合利用图像信息、商品的属性标签和原长标题的文本信息，将生成的标题视为一个强化学习过程，在一个类人的视角下由判别器进行评估。

    Nov, 2018

  • 移动电商短产品标题生成的多模态生成对抗网络

    本文提出了一种用于移动电商下的产品标题生成算法 MM-GAN，该算法从原始长标题中提取文本信息、产品的图像信息和属性标签等多模态信息，并将短标题生成视为一个强化学习过程。在进行模型训练和评估时，以类人的视角评估生成的标题，该算法在大规模电商数据集上的实验证明，与其他方法相比，本算法表现更优，应用于真实世界的电商平台后，点击率和点击转化率均有明显提高。

    Apr, 2019

  • 电子商务产品描述生成的多模态上下文调优方法

    本文提出了一种新的设置，通过加入营销关键词生成与产品特点更符合的图像描述。为解决同类产品拷贝文字相似导致生成描述不准确的问题，引入了名为 ModICT 的多模态文本调整方法，通过类似产品样本作为参考，利用语言模型的上下文学习能力生成描述。实验证明，与传统方法相比，ModICT 显著提高了生成结果的准确性（Rouge-L 提升了 3.3%）和多样性（D-5 提升了 9.4%），可用于增强各种应用中自动生成产品描述的效果。

    Feb, 2024

  • 野外文本分类中的标签模块提示学习

    提出了一种面向文本分类的挑战性但实用的任务：在野外进行文本分类，介绍了不同的非稳态训练 / 测试阶段，提出了一种基于标签模块化提示调整文本分类任务的框架（MODULARPROMPT），并在两种最难的情况下展示出比相关基线的性能显著提高的强大泛化能力。

    Nov, 2022

  • 基于多模态概率融合激励的少样本多模态情感分析

    本研究提出多模态概率融合提示方法，结合语言模型提示和多模态提示提供不同的提示信号，以提高少样本情感分析中的准确性。实验结果表明该方法在三个数据集上均有效。

    Nov, 2022

  • STPrompt: 语义引导和任务驱动的提示，用于有效的少样本分类

    提出基于任务语义角度构建的语境提示学习模型 STPrompt，其中两种基于语义依存关系树和任务特定元数据描述的新型提示被构建到提示增强池中，能自动选择合适的语义提示来激发提示学习过程，并在五种不同的少样本文本分类数据集上取得了最先进的性能。

    Oct, 2022

  • 短文本分类的 Prompt-Learning

    本文介绍了基于知识拓展的 Prompt-learning 方法来解决短文本分类中的标签扩展问题，并在三个著名数据集上实验，结果比其他方法均取得了显著提高。

    Feb, 2022

  • PromptDA: 基于标签的数据增强，针对基于提示的小样本学习

    本研究利用丰富的标签语义信息提出了一种新颖的标签引导数据增强框架 PromptDA，通过有效地利用标签语义和数据增强来提高自然语言理解的性能，以解决如何为基于 Prompt 的 few-shot 调整设计有效的数据增强方法的重要研究问题。

    May, 2022

  • 自动多标签提示：简单且可解释的少样本分类

    本研究提出了 AMuLaP 方法，利用一对多标签映射和基于统计的算法自动选择少样本文本分类的标签映射，并在 GLUE 基准测试上展示出竞争性能。

    Apr, 2022

  • 视觉语言理解的情境提示学习

    本文提出一种叫做上下文提示学习的框架，用于多模态学习中训练可对齐图像本地化特征并且能够适应当前任务的动态提示，通过应用于多个标准和少样本数据集上展示了比现有技术方法更优越的性能和强大的适用性。

    Jul, 2023