生成器引导的人群反应评估
我们提出了一种新颖的后置 extbf {引用增强生成( extbf {CEG})} 方法,结合检索论证。与先前的研究不同,我们的方法并不着重于在生成过程中防止幻觉,而是采用后置方式解决这个问题。我们的模型包括一个检索模块,用于搜索与生成内容相关的支持文档,并采用基于自然语言推理的引文生成模块。如果生成内容中的陈述缺乏参考文献,我们的模型可以重复生成回复,直到所有陈述都有引文支持。在各种与幻觉相关的数据集上的实验证明,我们的框架在幻觉检测和回复重构两个基准上优于现有方法。我们的代码和数据集将公开提供。
Feb, 2024
本研究旨在探究预测用户在 Facebook 页面上对超市等企业发布文章的反应的方法,通过收集帖子和反应构建一个数据集并使用神经网络和基线情感分析方法进行分析,最终的模型可以准确地预测文章的反应分布。
Dec, 2017
利用 RecSys 挑战数据集和评估程序,研究了仅利用上下文是否能够预测推文互动概率,并发现用户的先前互动历史、标签和链接的热度等特征对预测最具信息量。然而,相较于只基于内容的模型和挑战胜利者开发的模型,这些基于上下文的模型在 RCE 得分方面表现出较低。因此,提出了改进实现的潜在改进方法。
Sep, 2023
本研究探讨了利用自然语言处理技术发展通用推荐模型的可行性,提出了十项基本原则和对应的测试协议,结合 ChatGPT 模型展开推荐性对话,发现其作为 AGR 的潜力,但也存在多方面的限制和改进空间。
May, 2023
本文提出了一种基于 LEAPMood 的自然语言文本情绪预测方法,该方法使用字符嵌入、音素哈希和注意力等技术,结合基于遗传算法的超参数调整方法,实现了情绪识别和情绪预测,并在 DailyDialog 数据集上取得了精确度为 62.05%、内存大小为 1.67MB 的 Emotion Recognition in Conversion (ERC) 模型,和 Macro F1-score 为 72.12% 的 mood prediction 效果。
Feb, 2022
通过逐步推理方法 (ECR-Chain) 以及促进模型优化的 few-shot prompting,本研究在生成式语言模型中引入情感生成过程的因果关系,并且能够在可解释的方式下成功进行情感因果推理。
May, 2024
本文提出了一种基于评论的框架,在电子商务中回答有关产品相关问题的研究。我们开发了一种名为 RAGE 的框架,采用多层卷积结构,从评论中提取与问题相关的信息,实现了更快速和准确的回答生成。在两个真实的电子商务数据集上的实验证明了 RAGE 显著优于现有的替代方案,所生成的自然语言回答更准确、更丰富,而且 RAGE 模型的训练和回答生成所需的时间也较少。
Apr, 2019
介绍了一个 230k 的社交媒体帖子数据集 CARE$_{db}$,通过 Common Affective Response(CARE)方法进行标注,旨在预测社交媒体帖子在用户中引起的情感反应,并使用该数据集训练基于 BERT 的模型预测情感反应以及情感检测。
Jan, 2022
本文提出了一种新颖的方法,将大型语言模型(LLM)与可解释的人工智能(XAI)和类似 ChatGPT 的对话代理相结合,以解决对社交媒体上表达的抑郁症状进行及时检测的挑战。通过将 BERT 的 Twitter 特定变体 BERTweet 集成到 BERT-XDD 模型中,实现了解释能力,并通过掩码注意力提供分类和解释。利用 ChatGPT 将技术解释转化为可读性强的评论,进一步提高了可解释性。我们的方法为可解释性抑郁症检测提供了一种有效且模块化的方法,有助于发展具有社会责任感的数字平台,在合格的保健专业人员指导下促进对心理健康挑战的早期干预和支持。
Jan, 2024