MMDec, 2023

推荐系统中的数据稀缺现象：一项调查研究

PDF
TL;DR应对推荐系统中的数据稀缺问题，本文提出了多种策略，包括数据增强、自监督学习、迁移学习、广义学习和知识图谱利用，以缓解该挑战，并深入探讨了推荐系统领域中的挑战和未来发展方向，为研究人员和实践者提供宝贵的指导和启示，最终推动推荐系统领域的进展。
发现论文，激发创造
  • 跨领域强化学习的知识迁移：系统综述

    通过对跨领域强化学习的了解和分类，以及对数据假设需求进行特征分析，本文全面系统地介绍了不同领域知识传递方法的研究，讨论了交叉领域知识传递的主要挑战以及未来研究方向。

    Apr, 2024

  • 缓解大型语言模型的数据稀缺问题

    本文研究了使用数据增强和神经集成学习技术来减轻预训练神经语言模型在医学或低资源语言等特定领域中的数据稀缺问题。实验结果表明，这些简单有效的解决方案可以显著提高这些领域下神经语言模型的性能。

    Feb, 2023

  • 低资源场景下自然语言处理的最近方法综述

    本文调查了低资源自然语言处理的相关方法，其中包括数据增强、遥感监视和迁移学习等技术以帮助在需要训练数据较少的情况下提高神经模型的性能，并通过说明这些方法的差异帮助选择适合特定低资源设置的技术。

    Oct, 2020

  • 跨领域知识转移的图启用方法

    通过跨领域知识转移来减少领域知识不足的影响，结合半监督学习及大量无监督数据，提高机器学习任务的性能以实现自动决策

    Apr, 2023

  • 自然语言处理中的迁移学习综述

    本次调查主要介绍自然语言处理领域中最近迁移学习的发展和不同的迁移学习方法分类的分类学。

    May, 2020

  • 探索自然语言处理中的预测不确定性和校准：对方法和数据稀缺性影响的研究

    研究在从低资源语言中采样的数据集上训练模型的情况下，通过多种方法评估和分析神经分类器的预测置信度，发现尽管使用预训练模型和集成模型可以获得最佳结果，但数据集规模增大时不确定性估计的质量可能会受到影响。对序列不确定性进行了定性分析，发现模型的总不确定性在很大程度上受到数据不确定性的影响，并提供了开源的软件包。

    Oct, 2022

  • 神经 NLP 数据增强

    本文概述了当前用于自然语言处理模型的数据增强方法的现状和近期发展，着重介绍了基于神经网络和变换器的方法，讨论了数据增强的实际问题、可能的缓解措施以及未来研究的方向。

    Feb, 2023

  • 面向通用、可扩展的贝叶斯教学框架及其在主题模型中的应用

    通过基于人类教学的伪边际抽样实现机器学习的普适性教学方法，成功地在主题模型上进行训练，并在电影简介数据中验证了该方法的优势。

    May, 2016

  • 基于机器学习的教学系统：概念框架

    本文探讨了机器学习模型在组织背景下促进知识转移的潜力，以构建更具成本效益的基于 IT 的教学系统。通过系统的文献综述和概念分析，本研究为计算机支持的协同工作领域做出了贡献，为构建区别于众的人机交互的知识转移子领域奠定了基础。

    May, 2023

  • 将问答系统应用于实践：转移学习用于高效领域定制

    本文提出通过过滤机制来增加文档检索的精度，并针对领域差异用一种新型的融合和过采样的迁移学习方法用于提高答案提取性能，并以金融公司和电影行业的实际用例证明了其表现。

    Apr, 2018