論文の概要: BERTERS: Multimodal Representation Learning for Expert Recommendation
System with Transformer
- arxiv url: http://arxiv.org/abs/2007.07229v1
- Date: Tue, 30 Jun 2020 12:30:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 05:12:40.204935
- Title: BERTERS: Multimodal Representation Learning for Expert Recommendation
System with Transformer
- Title(参考訳): berters: トランスフォーマーを用いたエキスパートレコメンデーションシステムのためのマルチモーダル表現学習
- Authors: N. Nikzad-Khasmakhi, M. A. Balafar, M.Reza Feizi-Derakhshi, Cina
Motamed
- Abstract要約: エキスパートレコメンデーションシステム(BERTERS)のためのマルチモーダル分類手法を提案する。
BERTERS は Transformer (BERT) の双方向表現を用いてテキストをベクトルに変換する
また、ExEmと呼ばれるグラフ表現技術を用いて、共著者ネットワークから候補の特徴を抽出する。
- 参考スコア(独自算出の注目度): 2.131521514043068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The objective of an expert recommendation system is to trace a set of
candidates' expertise and preferences, recognize their expertise patterns, and
identify experts. In this paper, we introduce a multimodal classification
approach for expert recommendation system (BERTERS). In our proposed system,
the modalities are derived from text (articles published by candidates) and
graph (their co-author connections) information. BERTERS converts text into a
vector using the Bidirectional Encoder Representations from Transformer (BERT).
Also, a graph Representation technique called ExEm is used to extract the
features of candidates from the co-author network. Final representation of a
candidate is the concatenation of these vectors and other features. Eventually,
a classifier is built on the concatenation of features. This multimodal
approach can be used in both the academic community and the community question
answering. To verify the effectiveness of BERTERS, we analyze its performance
on multi-label classification and visualization tasks.
- Abstract(参考訳): 専門家レコメンデーションシステムの目的は、候補者の専門知識と好みを追跡、専門家の専門的パターンを認識し、専門家を特定することである。
本稿では,専門家推薦システム(BERTERS)のためのマルチモーダル分類手法を提案する。
提案システムでは,テキスト(候補者が公開するアーティクル)とグラフ(共著者関係)情報からモダリティを導出する。
BERTERSは、双方向エンコーダ表現を変換器(BERT)からベクトルに変換する。
また、ExEmと呼ばれるグラフ表現技術を用いて、共著者ネットワークから候補の特徴を抽出する。
候補の最終的な表現はこれらのベクトルと他の特徴の連結である。
最終的に、特徴の結合に基づいて分類器が構築される。
このマルチモーダルなアプローチは、学術的コミュニティとコミュニティの質問応答の両方で利用できる。
BERTERSの有効性を検証するため,マルチラベル分類および可視化タスクの性能解析を行った。
関連論文リスト
- Multimodal Pretraining and Generation for Recommendation: A Tutorial [54.07497722719509]
チュートリアルは、マルチモーダル事前学習、マルチモーダル生成、産業アプリケーションという3つの部分で構成されている。
マルチモーダル・レコメンデーションの迅速な理解を促進することを目的としており、この進化する景観の今後の発展について有意義な議論を促進することを目的としている。
論文 参考訳(メタデータ) (2024-05-11T06:15:22Z) - Disentangling Instructive Information from Ranked Multiple Candidates for Multi-Document Scientific Summarization [13.953968282622121]
本稿では,要約候補を多文書科学要約に紹介する。
ドキュメントセットのグローバル情報と、要約候補からのガイダンスを使用して、デコードプロセスのガイドを行う。
我々は,自動評価と人的評価による顕著な性能改善を観察する。
論文 参考訳(メタデータ) (2024-04-16T09:33:07Z) - Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。
KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。
KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-12-18T06:41:23Z) - Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳(メタデータ) (2023-10-28T06:31:06Z) - Prompting ChatGPT in MNER: Enhanced Multimodal Named Entity Recognition
with Auxiliary Refined Knowledge [27.152813529536424]
PGIM - ChatGPTを暗黙の知識基盤として活用することを目的とした2段階のフレームワークを提案する。
PGIMはより効率的なエンティティ予測のための補助知識を生成する。
これは、2つの古典的なMNERデータセットで最先端の手法より優れている。
論文 参考訳(メタデータ) (2023-05-20T15:24:38Z) - METransformer: Radiology Report Generation by Transformer with Multiple
Learnable Expert Tokens [43.817603311027646]
本稿では,トランスフォーマーベースのバックボーンで既存の"シングルエキスパート"フレームワークをアップグレードする手法を提案する。
提案手法の鍵となる設計は,複数の学習可能な「エキスパート」トークンをトランスフォーマーエンコーダとデコーダの両方に導入することである。
最終レポートを生成するために、メトリクスベースの専門家投票戦略がさらに開発されている。
論文 参考訳(メタデータ) (2023-04-05T03:54:28Z) - Multi-Modal Recommendation System with Auxiliary Information [0.47267770920095536]
本研究は、商品に関する総合的な補助的知識を取り入れたマルチモーダルレコメンデーションシステムを評価することで、既存の研究を拡張した。
実験結果を分析した結果,予測精度が統計的に有意に向上し,文脈認識推薦システムに補助情報を含めることの有効性が確認された。
論文 参考訳(メタデータ) (2022-10-13T20:20:49Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳(メタデータ) (2022-01-13T08:25:53Z) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2021-10-08T09:44:00Z) - Deep Learning feature selection to unhide demographic recommender
systems factors [63.732639864601914]
行列分解モデルは意味的知識を含まない因子を生成する。
DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
論文 参考訳(メタデータ) (2020-06-17T17:36:48Z) - ExEm: Expert Embedding using dominating set theory with deep learning
approaches [2.131521514043068]
本稿では,支配セット理論とディープラーニングアプローチを用いてノード表現をキャプチャするグラフ埋め込み手法ExEmを提案する。
ExEmはWord2vec、fastText、これら2つの結合を含む3つの埋め込みメソッドを利用する。
抽出した専門家の埋め込みは多くのアプリケーションに適用できる。
論文 参考訳(メタデータ) (2020-01-16T10:47:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。