- ACL通往幸福结局的陡峭道路:对当前视觉叙事模型的分析
本研究对最近的视觉叙事研究进行了概述,并对三种可视化叙事的最新方法进行了详细的错误分析,分析了常见错误的类型和范例,并指出了当前工作的主要缺陷,最后提出了未来解决这些问题的建议。
- 音乐流媒体会话数据集
该研究介绍了一个音乐收听数据集,可用于研究机器学习中的用户行为与音乐交互,并提供元数据和推荐行为分析,支持求解问题如自动化推荐和音乐信息检索等。
- SIGIR层级相关性传播用于可解释的推荐
本文探讨使用深度学习的模型进行推荐解释的问题,我们使用深度卷积神经网络从输入图像中提取相关特征,并在特征空间中识别图像之间的相似性,最后使用 Amazon 产品数据集验证了我们方法的有效性。
- MM从隐式反馈数据中学习分层物品类别,实现高效推荐和浏览
使用来自隐式反馈数据的分层项目类别,以实现在线市场中有效的浏览和推荐。通过基于用户的协同消费行为创建类别,可以使用户更容易找到有趣和相关的商品。 HLTA-Forest 是一个用于隐式反馈数据的缩放学习算法,可用于创建基于类别的推荐,并且还 - Transformer 模型的训练技巧
本文介绍了使用 Tensor2Tensor 框架和 Transformer 序列到序列模型进行神经机器翻译的实验。研究比较了影响最终翻译质量、内存使用、训练稳定性和时间的一些关键参数,并给出了一些实用建议,包括扩展到多个 GPU 的方法、对 - 个性化产品特征提取:从非结构化数据中学习属性,以推荐时尚产品
通过细节化和有连续性的产品信息来解决电子商务中的个性化、需求预测和产品规划难点,本文详细描述了 ASOS 在此方面的架构和方法,并展示了它在混合推荐系统中的应用。
- AAAI基于社交曝光的协同过滤:社交推荐的模块化方法
本研究旨在探讨如何有效地利用社交信息来改进推荐,提出了一种将社交曝光融入协同过滤的新颖方法,通过社交规范化和社交激励两种不同的方式构建社交曝光,实验证明此方法优于当前的最新方法,并进行了两种方法的可靠性和可扩展性比较。
- 快速贪心 MAP 推断的确定性点过程,以提高推荐的多样性
本文提出了一种新算法,用于改进依赖于近邻的决定性点过程(DPP)的最大后验概率(MAP)推理,从而在大规模数据集上更快地生成相关而多样化的推荐结果,并证明其好处远超于现有相关研究。
- ISO 26262 分析:在汽车软件中安全地使用机器学习
本文分析了机器学习在汽车驾驶辅助和自动化操作中使用的安全认证方面的适用性,在 ISO 26262 安全生命周期中使用 ML 作为实现方法的影响,并提出了一组建议,以适应 ML 的标准。
- ICML在线单类协作过滤的样本复杂度
研究在线用户行为的推荐系统,介绍针对在线正面评级的一类协同过滤算法,分析了用户响应概率、探索用户喜好所需评级数和更新用户偏好所需评级数之间的相关性,探讨正负评级和正面评级之间相同和不同的方面对于评级数的影响。
- 不同的评估指标对显著性模型的解释
本文分析了 8 种不同的评估指标及其属性,通过系统性实验和计算可视化,为显著性评分的可解释性和评估的透明度增加了解释性。建立在指标属性和特性之上,我们针对特定应用和假设为度量选择提供了建议。
- MM物联网平台的差距分析
通过对物联网中间件的代表性样本进行评估,本文重点关注了这些平台对不同物联网用户的预期如何满足,对当前物联网生态系统的差距进行了分析,并在此基础上提出了推荐措施。
- 高维线性赌博机和推荐系统
该研究使用线性参数化多臂赌博机模型来提高在线服务推荐新产品、视频、歌曲和广告的效果,得到了能够满足用户喜好探索和系统数据调查的解决方案,并在 Netflix 和 MovieLens 数据集上进行了测试。