- ActiveLLM:基于大型语言模型的用于文本少样本场景的主动学习
ActiveLLM 是一种新颖的主动学习方法,通过利用诸如 GPT-4、Llama 3 和 Mistral Large 之类的大型语言模型来选择实例,显著提高了 BERT 分类器在少样本场景中的分类性能,并且可以扩展到非少样本场景,为各种学 - 决策理论引导下的深度强化学习快速学习
通过 Decision Theory-guided Deep Reinforcement Learning(DT-guided DRL)的新方法,解决了 DRL 中的冷启动问题,提高了代理在复杂环境中的初始性能和稳健性,使学习过程更加高效可 - TransCORALNet: 供应链信用评估冷启动的双流 Transformer CORAL 网络
本文提出了一种解释性的双流转换 CORAL 网络(TransCORALNet),用于分段行业和冷启动问题下的供应链信用评估。该模型旨在为具有有限历史数据的新供应链借款人提供准确的信用评估预测。
- BaSAL:基于大小平衡的激活学习方法在 LiDAR 语义分割中的应用
基于 BaSAL 方法,通过采用基于大小的采样和热启动,我们成功改善了初始模型的性能,实现了与在整个 SemanticKITTI 数据集上训练相媲美的表现,尽管只使用了 5% 的注释,超过了现有的主动学习方法。在 nuScenes 上,我们 - 需要时雇佣:基于竞拍的渐进参与者招募的联合学习
我们提出了基于拍卖的渐进参与者选择方案来解决联邦学习中遇到的评价偏见和冷启动问题,并通过实验表明,与现有方法相比,GPS-AFL 可以降低成本约 33.65%,平均提高总效用 2.91%。
- 交互式图卷积滤波
提出了一种名为 “交互图卷积过滤模型” 的新颖方法,通过扩展交互式协同过滤到图模型中,增强用户和物品之间的协同过滤性能,同时采用变分推断技术解决非线性模型的计算难题,以及采用贝叶斯元学习方法有效解决冷启动问题,并对该方法建立理论上的遗憾界限 - 文本匹配通过减少流行偏见,改善顺序推荐
该研究提出了一种基于文本匹配的顺序推荐模型(TASTE),通过将物品和用户映射到一个嵌入空间,并采用匹配文本表示来推荐物品。TASTE 通过使用物品的标识符和属性来表达物品和用户 - 物品交互,提出了一个关注稀疏性方法,通过减少编码过程中的 - GEANN:用于多时域时间序列预测的可扩展图增强技术
使用图神经网络作为数据增强来改善编码器,在冷启动产品的需求预测中取得明显的收益。
- 解决端到端自动语音评分中的冷启动问题
本研究提出了一种在冷启动环境下具有鲁棒性的自动语音评分框架,使用自我监督学习方法,通过使用提示嵌入、问题上下文嵌入和预训练语音模型等方法解决了冷启动问题,并在评价已知内容方面优于基线。
- OTT 媒体预测分析中低起点难题的解决:元洞察协同和多模态融合掌握
本研究提出了一种通用方法,利用元数据和多模型集成技术来解决冷启动问题,并通过加权平均预测的集成方法来提高预测准确性,实验结果表明,与单个模型相比,多模型集成方法显著提高了预测准确性。
- SIGIRGETNext: 轨迹流图增强 Transformer 用于下一个 POI 推荐
本文提出了一个基于 GETNext Graph enhanced Transformer 模型的方法,通过将用户的全局移动模式、用户偏好、时空背景以及类别嵌入放在了一个 Transformer 模型中,有效地利用了协作信号以提高下一个 PO - 多关系转换器辅助项关系下的顺序推荐
对于顺序推荐中的辅助物品关系,提出了一个基于多关系变形器的顺序推荐方法进行建模,并通过实验表明其在冷启动问题等方面的有效性。
- 解决视觉主动学习中的冷启动问题:做出您的第一个选择
本文旨在解决视觉主动学习中的初始查询选择偏见问题,通过对比学习的三个优势:无需注释、伪标签确保标签多样性、对比特征确定典型数据减少离群值,进行实验验证,并在初始查询方面明显胜过现有的主动查询策略和随机选择,取得了良好效果。
- WWW使用变分嵌入学习框架缓解 CTR 预测中的冷启动问题
Proposing a Variational Embedding Learning Framework (VELF) that addresses the cold start problem via the learning of pr - MM基于启发式引力图自编码器的冷启动相似艺术家排名
本文提出一种基于图自编码器的冷启动相似音乐家排序解决方案,并将其应用于全球音乐流媒体服务的实际问题中。该方案解决了对于没有提供使用数据的新音乐家,如何实现在艺术家页面上推荐类似音乐家的问题,并展示了该方案的灵活性和效果。
- KDD音乐流媒体应用用户冷启动推荐的半个性化系统
该论文介绍了 Deezer 音乐流媒体服务中针对用户冷启动问题的半个性化推荐系统,该系统应用深度神经网络架构和用户聚类技术,通过离线和在线实验证明了该系统有效性,并发布了代码和匿名使用数据,以帮助未来的用户冷启动推荐研究。
- SIGIR基于异构信息网络的跨领域保险冷启动用户推荐系统
本研究提出了一种名为 Heterogeneous information network based Cross Domain Insurance Recommendation (HCDIR) 的新框架,利用交叉领域推荐方法解决冷启动问题, - MM从购物篮和浏览会话推断互补产品
本文提出了 BB2vec 模型,通过同时分析购物篮和浏览会话(浏览产品的网页),学习产品的向量表示,用于推荐互补产品,在解决商品冷启动问题上表现更优越。该模型优于仅使用购物篮数据的其他模型。
- 基于 LSTM 的时态顾客模型用于时尚推荐
在 Zalando,欧洲领先的在线时尚平台的 10 万名经常购物者的销售数据的回溯实验中,我们使用一对神经网络来模拟不断变化的客户和商店环境,克服冷启动问题,为每个客户预测他们在时尚空间中的风格向量。在比较静态协作过滤方法和流行度排名基线的 - 面向会话的推荐系统的跨会话建模
本文提出了一种扩展 RNN 推荐系统的方法,通过使用第二个 RNN 学习用户最近的会话并预测当前会话中的用户兴趣,以改善在 Seesion 开始时提供的推荐,实验证明该方法可以显著提高推荐性能。