Apr, 2024

替代关系推理概述：定义、方法与研究方向调查

PDF
TL;DR本研究旨在理解和预测不同领域产品之间的替代关系，并广泛分析了机器学习算法、自然语言处理等技术的应用。通过比较不同领域中的模型方法，如定义替代品、表示和学习替代关系以及替代推理，本研究为深入研究替代关系提供了方法学基础。通过持续的研究和创新，我们可以进一步提高个性化和准确性的替代推荐系统，从而推动该领域的发展和应用。
发现论文，激发创造
  • 推断可替代和互补产品的网络

    提出了一种基于主题模型的方法，通过产品评论等多维数据，预测和发现替代和补充产品之间的关系，应用于亚马逊的大规模商品目录数据集。

    Jun, 2015

  • 基于图像的风格和替代品推荐

    本文旨在通过建立一个基于图像的大规模数据集并开发一个可扩展的方法来揭示人类视觉关系方面的概念模型，该模型不是基于用户注释的细粒度建模，而是基于图像关系网络的网络推理问题。 其提供了一个用于训练和评估的大规模数据集，并可用于推荐衣物和配饰的搭配。

    Jun, 2015

  • 预测或比较：走向可解释的定性推理

    本研究通过将定性关系任务分类成预测和比较两种类型，并采用端到端训练的神经网络模块来模拟这两种推理过程，实验结果在两个问答数据集 QuaRTz 和 QuaRel 上展示了我们方法的有效性和泛化能力，并提供模块的中间输出来使推理过程更容易解释。

    Jun, 2021

  • 尝试这个替代方案：个性化和可解释的替代品推荐

    提出了一种基于用户评论属性的协同过滤算法，可以在保证个性化推荐的同时，提高推荐结果的可解释性，尤其是在涉及可替代物品的推荐时。实验证明，该算法在三个真实数据集上的推荐效果和解释质量均较好。

    May, 2020

  • 在文本引导的图像生成中测试关系理解

    本研究使用了 15 种基本物质和社会关系对最近的文本引导图像生成模型 DALL-E2 进行了系统的经验性考察，发现只有大约 22％的图像与基本关系提示匹配。研究结果表明，当前的图像生成模型尚未掌握涉及简单对象和代理人的基本关系，本文从认知和计算两个角度，提出可能的改进方向。

    Jul, 2022

  • 基于神经语言模型的词汇替换方法比较研究

    本文基于大规模比较研究了常用的大规模神经语言和蒙面语言模型（LM 和 MLM），比如 Context2vec，ELMo，BERT，XLNet，在词汇替换任务中的应用。研究表明，如果目标词语的信息被适当地注入，则可以进一步提高 SOTA LM / MLM 已经具有的竞争结果，并比较几种目标注入方法。此外，提供不同模型生成的目标及其替代词之间语义关系类型的分析，从而深入探究生成或由注释员提供的替代词的种类。

    May, 2020

  • 概念模型中的概念关系理解

    使用人类可以理解的概念构建解释的基于概念的可解释性方法为深度学习系统提供了洞察力。通过分析基于概念模型学习的概念表示，我们发现现有的方法缺乏稳定性和鲁棒性，无法准确捕捉概念间的关系。因此，我们提出了一种新算法，利用概念间的关系来提高概念干预的准确性，并展示了正确捕捉概念间关系如何改善后续任务。

    May, 2024

  • 知识图谱支持的社交关系理解

    本文提出一个基于知识图谱的图推理模型，通过消息传播和图注意力机制，将外部信息有效地整合到深度神经网络中，提高社交关系识别准确性。试验结果表明，该模型在公共基准测试中优于目前领先的竞争对手。

    Jul, 2018

  • 自然语言引导下的视觉关系检测

    本研究提出了一种自然语言引导的框架来解决视觉关系检测任务中对象对之间关系分类的问题，并使用双向循环神经网络以及语义连接来预测参与关系的对象之间的语义连接。该方法在 Visual Relationship Detection 和 Visual Genome 数据集上取得了最佳状态，特别是在未预测关系的情况下。

    Nov, 2017

  • 从机器学习到机器推理

    通过代数操作简单的学习系统来建立推理能力，而非试图在机器学习系统和复杂的推理机制之间建立联系。

    Feb, 2011