論文の概要: CCGen: Explainable Complementary Concept Generation in E-Commerce

• arxiv url: http://arxiv.org/abs/2305.11480v1
• Date: Fri, 19 May 2023 07:16:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-22 15:56:05.593249
• Title: CCGen: Explainable Complementary Concept Generation in E-Commerce
• Title（参考訳）: ccgen:eコマースにおける補完的な概念生成
• Authors: Jie Huang, Yifan Gao, Zheng Li, Jingfeng Yang, Yangqiu Song, Chao Zhang, Zining Zhu, Haoming Jiang, Kevin Chen-Chuan Chang, Bing Yin
• Abstract要約: CCGenは、クエリ提案やアイテムレコメンデーションといった様々なアプリケーション、特にeコマースドメインに有用である。 言語モデルをトレーニングし、2段階のトレーニング戦略で概念のランク付けリストを生成する。 また,大規模な教師モデルから抽出した説明を組み込むことで,モデルに説明を生成する方法も教える。
• 参考スコア（独自算出の注目度）: 49.4374418239856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose and study Complementary Concept Generation (CCGen): given a concept of interest, e.g., "Digital Cameras", generating a list of complementary concepts, e.g., 1) Camera Lenses 2) Batteries 3) Camera Cases 4) Memory Cards 5) Battery Chargers. CCGen is beneficial for various applications like query suggestion and item recommendation, especially in the e-commerce domain. To solve CCGen, we propose to train language models to generate ranked lists of concepts with a two-step training strategy. We also teach the models to generate explanations by incorporating explanations distilled from large teacher models. Extensive experiments and analysis demonstrate that our model can generate high-quality concepts complementary to the input concept while producing explanations to justify the predictions.
• Abstract（参考訳）: 我々は,補完的概念生成(CCGen)を提案し,研究し,例えば「デジタルカメラ」のような興味ある概念を付与し,補完的概念のリストを作成する。 1)カメラレンズ 2)電池 3)カメラケース 4)メモリカード 5) 電池充電器。 CCGenは、クエリ提案やアイテムレコメンデーションといった様々なアプリケーション、特にeコマースドメインに有用である。 CCGenを解決するために,2段階の学習戦略を用いて概念のランク付けリストを生成する言語モデルを提案する。 また,大規模な教師モデルから抽出した説明を取り入れて説明文を生成するモデルも指導する。 大規模な実験と分析により,我々のモデルは入力概念に相補的な高品質な概念を生成できることを示した。

関連論文リスト

• Explainable Concept Generation through Vision-Language Preference Learning [7.736445799116692]
  概念に基づく説明は、ポストホック後のディープニューラルネットワークを説明するための一般的な選択肢となっている。 視覚言語生成モデルを微調整する強化学習に基づく選好最適化アルゴリズムを考案する。 提案手法の有効性と信頼性に加えて,ニューラルネットワーク解析の診断ツールとしての有用性を示す。
  論文  参考訳（メタデータ） (2024-08-24T02:26:42Z)
• Restyling Unsupervised Concept Based Interpretable Networks with Generative Models [14.604305230535026]
  本稿では,事前学習された生成モデルの潜在空間に概念特徴をマッピングすることに依存する新しい手法を提案する。 本手法の有効性を,解釈可能な予測ネットワークの精度,再現性,学習概念の忠実性,一貫性の観点から定量的に検証した。
  論文  参考訳（メタデータ） (2024-07-01T14:39:41Z)
• Learning Structure and Knowledge Aware Representation with Large Language Models for Concept Recommendation [50.31872005772817]
  概念推薦は,学習者が自身の知識状態と人間の知識システムに基づいて学習する次の概念を提案することを目的としている。 従来のアプローチでは、人間の知識システムをこれらの教育モデルを設計するプロセスに効果的に統合していない。 SKarREC(Structure and Knowledge Aware Representation Learning framework for concept Recommendation)を提案する。
  論文  参考訳（メタデータ） (2024-05-21T01:35:36Z)
• ConceptBed: Evaluating Concept Learning Abilities of Text-to-Image Diffusion Models [79.10890337599166]
  本研究では,284のユニークな視覚概念と33Kの合成テキストプロンプトからなる大規模データセットであるConceptBedを紹介する。 我々は、対象、属性、スタイルのいずれかである視覚概念を評価し、また、構成性の4つの次元(計数、属性、関係、行動)を評価する。 私たちの結果は、概念を学ぶことと、既存のアプローチが克服に苦労する構成性を維持することのトレードオフを示しています。
  論文  参考訳（メタデータ） (2023-06-07T18:00:38Z)
• ConceptX: A Framework for Latent Concept Analysis [21.760620298330235]
  本稿では,言語モデル(pLM)における潜在表現空間の解釈と注釈付けを行うための,ループ型ヒューマン・イン・ザ・ループ・フレームワークであるConceptXを提案する。 我々は、教師なしの手法を用いて、これらのモデルで学んだ概念を発見し、人間が概念の説明を生成するためのグラフィカルインターフェースを実現する。
  論文  参考訳（メタデータ） (2022-11-12T11:31:09Z)
• Composing Ensembles of Pre-trained Models via Iterative Consensus [95.10641301155232]
  本稿では,異なる事前学習モデルのアンサンブルを構成するための統一的なフレームワークを提案する。 事前学習したモデルを「ジェネレータ」あるいは「スコーラ」として使用し、クローズドループ反復コンセンサス最適化により構成する。 スコアラーのアンサンブルによって達成されたコンセンサスは、シングルスコアラーのフィードバックよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-20T18:46:31Z)
• ConceptDistil: Model-Agnostic Distillation of Concept Explanations [4.462334751640166]
  概念に基づく説明は、非技術的人間のためのモデルの解釈可能性ギャップを埋めることを目的としている。 知識蒸留を用いたブラックボックス分類器に概念記述をもたらす方法であるConceptDistilを提案する。 実世界のユースケースでConceptDistilを検証することで、両方のタスクを最適化できることを示す。
  論文  参考訳（メタデータ） (2022-05-07T08:58:54Z)
• Human-Centered Concept Explanations for Neural Networks [47.71169918421306]
  概念活性化ベクトル(Concept Activation Vectors, CAV)のクラスを含む概念的説明を紹介する。 次に、自動的に概念を抽出するアプローチと、それらの注意事項に対処するアプローチについて議論する。 最後に、このような概念に基づく説明が、合成設定や実世界の応用において有用であることを示すケーススタディについて論じる。
  論文  参考訳（メタデータ） (2022-02-25T01:27:31Z)
• An Enhanced Knowledge Injection Model for Commonsense Generation [68.12943221053025]
  Commonsenseジェネレーションは、提供された概念のセットに基づいて、妥当な日常シナリオ記述を生成することを目的としている。 我々は、シナリオの理解を支援するために、外部知識からプロトタイプを検索し、より良い記述生成を行う。 我々はCommonGenベンチマークで実験を行い、実験結果から、我々の手法が全てのメトリクスの性能を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2020-12-01T09:51:23Z)

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。