Dec, 2023

基于最近邻的上下文动态学习用于束生成

PDF
TL;DR利用大型语言模型的逻辑推理能力，本文探索个性化捆绑生成和基于用户交互的意图推断这两个相关的任务，通过引入动态上下文学习范式，使 ChatGPT 能从相关会话中的示范中获取量身定制和动态的教训，并在目标会话中执行任务。实验结果在三个真实数据集上证实了我们方法在这两个任务上的有效性。此外，推断的意图对于其他有趣的下游任务，如设计吸引人的捆绑名称，也能发挥作用。
product bundlingpersonalized bundle generationintent inferencedynamic in-context learninglarge language models
发现论文，激发创造
  • 非自回归个性化捆绑生成

    本文介绍了一种基于非自回归机制的个性化捆绑生成方法，采用了预训练技术和图神经网络来提取用户偏好和物品兼容性信息，并使用自注意力机制的编码器来提取全局依赖模式，进而设计了一种置换等变的解码架构，能够直接一次性输出所需的捆绑，实验结果表明，所提出的 BundleNAT 在精度、增强精度和召回率上相较于当前最先进方法显著提高了 35.92％、10.97％和 23.67％。

    Jun, 2024

  • 电子商务套餐推荐中的高斯图与典型对比学习

    本文提出了一种利用高斯图与原型对比学习（GPCL）框架来解决捆绑推荐中的不确定性和采样偏倚问题的方法，并在公共数据集上取得了最新的最佳性能。

    Jul, 2023

  • 基于情境的场景理解

    探索了一种简单的机制，即通过从带注释的特征提示中进行最近邻检索的上下文学习，并提出了一种新的预训练协议，利用图像内部和跨图像的注意力，使得 Hummingbird 模型在不修改的情况下能够执行各种场景理解任务，同时接近于为每个任务进行微调的专家的性能，并且可以更高效地配置 Hummingbird 模型以执行新任务，进一步提高了交互式助手模式下的场景理解的可能性。

    Jun, 2023

  • 个性化捆绑列表推荐

    该研究提出了一种名为 BGN 的捆绑列表生成网络，使用 DPP 将个性化捆绑列表推荐问题分解为质量和多样性两个部分，并通过使用特征感知 softmax 来改善传统 softmax 表示的不足。BGN 在四个数据集上显着优于现有方法，特别是在捆绑列表推荐问题中，将最佳竞争对手的精度平均提高了 16％，同时保持了四个数据集中最高的多样性，并使响应时间提高了 3.85 倍。

    Apr, 2019

  • 通过最近邻校准提高语言模型的少样本性能

    本文提出了一种基于最近邻校准框架的预训练语言模型（PLMs）的上下文学习方法，该方法获得了显著的改进，并在某些情感分析任务中实现了与基于调优的方法相当的性能。

    Dec, 2022

  • 基于部分共享参数的多任务学习实现精确束匹配和生成

    本文提出了一种名为 BundleMage 的方法，通过自适应门技术将用户的偏好与商品捆绑包混合来提高准确性，学习一种生成模型，然后利用用户偏好和给定不完整捆绑包的特征，生成个性化的捆绑包。

    Oct, 2022

  • GPT4Rec: 面向个性化推荐和用户兴趣解析的生成式框架

    本文介绍了 GPT4Rec，一种基于生成模型和搜索引擎的新型灵活推荐系统，它通过多查询生成技术和基于 BM25 的搜索引擎来更好地捕获用户兴趣，提高推荐的相关性和多样性。

    Apr, 2023

  • 随机二进制序列下的上下文学习动态

    使用 Cognitive Interpretability 框架分析 GPT-3.5 + 模型的 in-context 学习动态，发现其具备生成伪随机数和学习基本形式语言的新能力，有着从伪随机行为到确定性重复的显著 in-context 学习特性。

    Oct, 2023

  • 利用预训练语言模型简化自我追踪的自然语言交互

    提出了一种基于 NLP 和 GPT-3 的领域不可知的自然语言交互框架，可以从自述性的日志文本中提取信息，解决了自我追踪设计空间广阔且追踪主题和数据格式多样化的挑战。研究显示，该方法明显优于基线 QA 模型，为未来 NLP 与 HCI 领域的合作提供了前景。

    May, 2022

  • 对话回复生成的上下文依赖指令调整

    通过上下文指导生成回复的语言模型在多轮对话生成任务中取得了令人瞩目的成果，通过对指令进行微调并将其与输入对齐，可以显著提高生成性能。

    Nov, 2023