- HAIChart：人工智能协作可视化系统
关键字：数据可视化，商业智能，自动化工具，用户反馈，HAIChart。总结：本文介绍了 HAIChart，一种基于强化学习的框架，通过结合用户反馈，迭代地为给定数据集推荐好的可视化。通过量化评估和用户研究，表明 HAIChart 在召回率方 - SIGIR重新思考对话系统的评估：用户反馈对众包工作者和 LLM 的影响
该研究关注用户反馈在评估面向任务型对话系统时的作用，研究发现用户反馈会影响系统评估结果，对于众包工作者而言，用户反馈对有用性和趣味性的评估更具影响力，而对大型语言模型来说，则更看重趣味性和相关性的评估，用户反馈也有助于提高众包工作者在模糊或 - 置信度感知的多字段模型校准
我们提出了一种自信度感知的多字段校准方法，根据样本统计得到的自信度水平自适应调整校准强度，并利用多个特征字段进行联合模型校准，以减轻单一字段的数据稀疏效应，从而提升广告表现并降低预测误差。
- 构建二阶段推荐系统的理论基础
两阶段推荐系统在理论行为和收敛性方面进行了全面探索，通过用户反馈和底层特征的嵌入构建，实现了更快的收敛速度和更好的性能表现。
- 自带角色：定制角色自动面部动画生成的整体解决方案
提出了一种全面的解决方案，通过深度学习模型将面部表情从输入面部图像转移到虚拟人脸，实现虚拟人物面部动画的自动化。使用 Unity 3D 开发了实用工具包，可接受图像和视频作为输入，以动画形式呈现目标虚拟人脸，并允许用户对动画结果进行操作。通 - 与用户交互的服装推荐
通过整合用户反馈建立实时用户画像，并利用强化学习代理提供适宜的服装建议，提高推荐的准确性和用户满意度。
- 多智能体对话推荐系统
我们提出了一种包含多个模块的多智能体对话推荐系统 (MACRS)，该系统可以通过控制对话流动以及利用用户反馈来改进推荐性能，并展示了在推荐和用户偏好收集方面相较于直接使用大型语言模型 (LLMs) 的用户交互体验的改进。
- 开发端到端异常检测系统
我们提出了一个端到端的异常检测模型开发流程，通过消耗用户反馈并进行持续的用户中心模型性能评估和优化，以解决网络中恶意和非恶意事件引发异常的模式确定困难和标记数据缺失的问题。我们通过引入和基准测试一种名为 Lachesis 的新型预测模型，在 - 让 AI 娱乐你：通过生成型 AI 和拒绝抽样提高用户参与度
通过采用用户反馈的拒绝采样技术，本文提出了一种通用框架，以提高生成型人工智能的用户参与度，特别是在标准生成型人工智能在增强内容吸引力方面达到极限时。
- DPR：缓解推荐反馈循环中的偏见累积算法
根据部署的推荐系统收集到的用户反馈进行训练的推荐模型常常存在偏见，而且由于用户反馈受到暴露机制的影响，会产生大量误负样本。本研究深入分析了数据暴露机制以及反馈循环对推荐质量和用户体验的负面影响，并提出了一种无偏算法来减轻暴露机制和反馈循环的 - 借助 Twitter 数据进行交通用户反馈的情感分析：一种自然语言处理框架
通过利用社交媒体平台（如 Twitter）上的数据，本研究提出了一种新颖的基于自然语言处理的框架，以便从用户的角度了解各种服务问题，并使用两种技术简化了用户反馈的获取和分析过程。该框架准确地对推文进行分类，并根据推文的情感强度和极性进行情感 - 基于模式的可操作洞察生成和智能推荐
介绍了一种基于模式的方法来从数据中生成可行的见解，并通过用户反馈对见解进行排名，从而驱动增长和变革。展示了使用该技术生成的初步定性结果，并展示了它适应反馈的能力。
- BHEISR: 从偏见到平衡的引导 - 通过消除基于知识的推荐中的意识形态隔离促进信念和谐
通过引入创新的中介机构（BHEISR）在个性化推荐系统中，以减轻筛选气泡效应带来的负面影响，同时在用户间取得信仰平衡的目标下，该模型利用用户特定类别信息激发好奇心，鼓励用户拓宽观点，并验证了其对筛选气泡的缓解和平衡用户视角方面的卓越性能。
- VPUFormer: 交互式图像分割的视觉提示统一变压器
该论文提出了一个简单但高效的视觉提示统一变压器，利用更深入的交互来提高图像分割性能，并使用高斯映射生成一个统一的一维向量来捕获用户的意图，并利用用户反馈逐渐改进候选语义特征，从而逐步提高图像分割性能。
- 基于大数据和人工智能的框架，实现无线网络的个性化
提出一种基于 AI、大数据分析和实时非侵入式用户反馈的个性化网络方案，以满足用户服务质量需求和实现用户满意度的同时，实现网络资源的高效优化。
- 针对个性化方面提取的大型语言模型的提示调整，用于推荐
该研究提出了一种将方面提取和基于方面的推荐相结合的端到端方法，利用最近大型语言模型的进展并设计了一种新的提示学习机制来为最终推荐任务生成方面。在三个工业数据集上进行的实验证明，该方法显著优于现有的基线方法，必要且有益的结合了方面提取和基于方 - 通过人类反馈不断提高抽取式问答
本文研究了通过人类用户反馈不断改进提取问题回答（QA）系统的方法，并设计和部署了一个迭代方法，在多种设置下进行实验以扩大对随时间反馈学习的理解。我们的实验显示，从不同数据环境下的用户反馈中能够有效提高提取 QA 模型，包括适应领域的潜力。
- 一个解释不能适用于 XIL
该研究探讨通过多种解释方法进行同时模型修订，以应对机器学习模型存在的短路学习和假相似性等局限性，提出了解释式交互式机器学习框架（XIL），其需考虑多个解释方法来修订模型。
- ACL一种以用户为中心，交互式，人机交互主题建模系统
开发了一种新型交互式人机协同的主题建模系统，支持对语料库特定方面的主题建模，具有易于使用的界面、记录与比较功能以及主题词推荐功能，经过多次用户研究验证，该系统在主题建模中的应用具有显著价值。
- 分析应用评论以推动技术价值流》论文的附录
该研究提出了一种新颖的框架，利用自然语言处理技术来理解移动应用程序的用户反馈，从而帮助软件公司根据用户评论来推动其技术价值流，发现需要改进的地方。该框架经过深入分析，其模块的效果得到了评估，并通过对长时间内十六个流行的 Android 应用