本研究定义了一项全新的任务 —— 人格化字幕，旨在提高人类与机器之间的互动性，并基于 215 种可能的人格特征收集并发布了 201,858 个字幕的大型数据集。该研究运用了转换器及 1.7 亿对话样本对句子表示进行建模，通过 Mahajan 等人（2018 年）的图像表示及针对 35 亿社交媒体图像进行训练的 ResNets 得到图像表示。本文在 Flickr30k 和 COCO 上取得最优表现，并经在线评估验证其在人与机器之间的互动性。

Oct, 2018

通过将情感注入图像描述中，我们提出了两种不同的深度学习模型，这些模型可以生成具有情感的图像描述，并可以轻松地以所需的情感生成不同的描述。

Jan, 2018

社交媒体在时尚行业中起到了重要作用，本论文研究了社交媒体时尚知识抽取任务，将其作为一个描述问题来处理，旨在从社交媒体帖子中直接生成基于句子的时尚知识。

Sep, 2023

本研究旨在研究人格特质对内容推荐模型的影响，通过一个名为 PersiC 的创新的基于人格特质的多视角内容推荐引擎，进行实验和现实案例研究，结果表明它不仅能够有效地具有人格驱动的多视角内容推荐能力，而且能够提出行之有效的数字广告策略建议，将数字广告效率提高了 420% 以上，相较于最初的人为指导方法。

Jul, 2022

本文提出了一种基于通信游戏的个性化图像字幕生成方法，运用 GPT2 语言模型生成字幕，实验表明该方法在个性化图像字幕生成领域取得了最先进的性能表现。

Nov, 2020

利用社交媒体上的趋势和个人风格自动生成流行的标题，通过多种偏好提取器结合双向和自回归变换器的 MEBART 算法在真实数据集上取得了最先进的性能。

Sep, 2023

本文探讨了图像字幕的个性化问题，提出了一种名为 Context Sequence Memory Network（CSMN）的新型字幕模型，结合先前生成的单词的记忆信息以及有关个人先前文档中使用的词汇的前置知识生成对查询图像的描述性句子，并在新收集的 Instagram 数据集上进行应用，展示了其对状态 - of-the-art 字幕模型的性能改进.

Apr, 2017

该研究中，我们提出了一种使用情感描述图像的系统，设计了一种基于递归神经网络的情感图像标题自动生成模型，并通过多种自动和众包评估指标表明，我们的模型在图像字幕中具有较高的质量，并且生成的正向字幕具有适当的情感。

Oct, 2015

本研究提出了一种利用用户评论建模和自监督学习的方法，用于在社交媒体上进行图像文字关系分类、讽刺检测、情感分类和仇恨言论检测等多模态分类任务，结果表明该方法进一步提高了先前最先进模型的性能。

Mar, 2023

本文研究了使用多模态多头自注意力机制和图像文字化技术，提高社交媒体帖子中关键词预测的效果，并在 Twitter 上的大规模数据集中获得了优异的表现。

Nov, 2020