ICCVSep, 2023

FArMARe: 基于用户兴趣的家具感知多任务推荐公寓方法

PDF
TL;DR为了应对在网络上查找适合的公寓时所面临的等待，本文定义了一个名为 “文本到公寓推荐” 的新问题，要求根据用户兴趣的文本查询对公寓进行排序。为了解决这个问题，文中引入了一个名为 FArMARe 的多任务方法，通过具有家具感知目标的交叉模态对比训练来支持。对三种不同的方法和两种原始特征提取过程进行了详细实验，并揭示了 FArMARe 在处理所面临的问题时的有效性。
发现论文，激发创造
  • 电子商务中大规模商品推荐生成的多模态推荐系统

    本文提出了两种可视化推荐系统，该系统可以自动为客厅家具配套筛选整个选择，以最大化配合效果和利用文本数据和多语言话题建模来推断风格。实验结果表明，从包括视觉和文本数据的产品集合中发现补充风格效果最好。

    Jun, 2018

  • 一种基于数据驱动的家具和室内场景着色方法

    该文研究了基于数据驱动的方法对 3D 家具模型和室内场景进行着色，并使用互联网上的室内图像进行引导。使用图像引导网格分割将模型分成不同的部分，以提高着色效果，并以马尔可夫随机场模型实现一致的着色方案。实验结果表明，该系统可以产生与室内设计师生成的结果相媲美且具有说服力的结果。

    Feb, 2017

  • 基于特征的矩阵分解

    本技术报告介绍了特征基矩阵分解的实现，该模型是矩阵分解模型的许多变体的抽象，可以通过定义新特征而利用新类型的信息，而无需修改任何代码。使用该工具包，我们构建了 KDDCup'11 赛道 1 报告的最佳单个模型。

    Sep, 2011

  • 基于聚类的矩阵分解

    本文提出了一种将通用邻域信息添加到推荐模型的矩阵分解扩展，并将用户和项目分成不同的类别，以查看这些类别共享的偏好。实验证明，将类别的通用潜在特征应用于分解的推荐模型可以提高推荐的准确性。

    Jan, 2013

  • FurnitureBench：面向复杂长期操作的可复制实现的真实世界基准测试

    该研究提出面向复杂长程行为的真实世界家具组装任务，并提出 FurnitureBench 家具组装基准测试，供研究人员测试和比较不同算法的性能表现，基于该基准测试验证了在线和离线强化学习、模仿学习算法的性能，进一步提出未来的研究方向。

    May, 2023

  • 个性化公平感知排序

    本篇研究提出了一种考虑到用户、排名质量和供应商公平性的新型推荐算法 FRA，在实验中，该算法在牺牲一定精度的情况下，有效提升了推荐系统的公平性，并考虑到了个体用户的偏好。

    Sep, 2018

  • 生成多样化的室内家具布置

    本研究提出了一种使用生成对抗网络和质量多样性算法生成室内家具布置方案的方法，该方法可针对特定的多样性主题生成不同价格和数量家具件数的排列组合。

    Jun, 2022

  • 基于市场感知的高效跨市场推荐模型

    本文提出了一种基于市场感知的模型（MA models）用于跨市场推荐，在单个目标市场上的实验表明，与无市场感知的模型相比，MA models 的效果更好，且训练时间更加高效，其在全局范围内也表现优秀。

    Feb, 2023

  • 基于视觉搜索与文本反馈的模态无关注意力融合

    本研究采用自然语言反馈的图像检索方法，结合图像与文本特征实现细粒度视觉搜索并提出了 MAAF 模型，在 Fashion IQ 和 CSS 数据集中比现有方法表现更优，同时在 Fashion200k 数据集中也取得竞争性表现。此外，我们还提出了两个适用于丰富语言输入的新挑战基准，并通过实验证明该方法在不修改时优于强基线。最后我们在 Fashion IQ 上进行了深入细致的分析和可视化，揭示了单词避免 “关注” 他们所指图像区域的惊人现象

    Jun, 2020

  • 从物体点云中学习家具装配

    本文介绍了一种基于学习的方法，使用模拟环境实现家具组装规划，无需连接标签，仅依靠原始点云图像来训练神经网络以成功组装不同类型的家具。

    Sep, 2022