論文の概要: RIGHT: Retrieval-augmented Generation for Mainstream Hashtag Recommendation

• arxiv url: http://arxiv.org/abs/2312.10466v1
• Date: Sat, 16 Dec 2023 14:47:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 16:15:44.827065
• Title: RIGHT: Retrieval-augmented Generation for Mainstream Hashtag Recommendation
• Title（参考訳）: RIGHT: メインストリームハッシュタグレコメンデーションのための検索強化ジェネレーション
• Authors: Run-Ze Fan, Yixing Fan, Jiangui Chen, Jiafeng Guo, Ruqing Zhang, Xueqi Cheng
• Abstract要約: 我々はRIGHT(RetrIeval-augmented Generative Mainstream HashTag Recommender)を提案する。 RIGHTは3つのコンポーネントから構成される: 1) 検索者は、ツイートハッシュタグセット全体から関連するハッシュタグを検索する; 2) セレクタは、グローバル信号を導入して、メインストリームの識別を強化する; 3) ジェネレータは入力されたつぶやきと選択されたハッシュタグを組み込んで、目的のハッシュタグを直接生成する。 さらに,RIGHTを大規模言語モデルに統合することで,ChatGPTの性能を10%以上向上させることができる。
• 参考スコア（独自算出の注目度）: 76.24205422163169
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic mainstream hashtag recommendation aims to accurately provide users with concise and popular topical hashtags before publication. Generally, mainstream hashtag recommendation faces challenges in the comprehensive difficulty of newly posted tweets in response to new topics, and the accurate identification of mainstream hashtags beyond semantic correctness. However, previous retrieval-based methods based on a fixed predefined mainstream hashtag list excel in producing mainstream hashtags, but fail to understand the constant flow of up-to-date information. Conversely, generation-based methods demonstrate a superior ability to comprehend newly posted tweets, but their capacity is constrained to identifying mainstream hashtags without additional features. Inspired by the recent success of the retrieval-augmented technique, in this work, we attempt to adopt this framework to combine the advantages of both approaches. Meantime, with the help of the generator component, we could rethink how to further improve the quality of the retriever component at a low cost. Therefore, we propose RetrIeval-augmented Generative Mainstream HashTag Recommender (RIGHT), which consists of three components: 1) a retriever seeks relevant hashtags from the entire tweet-hashtags set; 2) a selector enhances mainstream identification by introducing global signals; and 3) a generator incorporates input tweets and selected hashtags to directly generate the desired hashtags. The experimental results show that our method achieves significant improvements over state-of-the-art baselines. Moreover, RIGHT can be easily integrated into large language models, improving the performance of ChatGPT by more than 10%.
• Abstract（参考訳）: 自動的なメインストリームハッシュタグレコメンデーションは、ユーザーが出版前に簡潔で人気のあるトピックのハッシュタグを正確に提供することを目的としている。 一般的に、メインストリームのハッシュタグレコメンデーションは、新しいトピックに反応して新しく投稿されたツイートの包括的難しさや、意味的な正確性を超えたメインストリームのハッシュタグの正確な識別に直面している。 しかし, 既定の主流ハッシュタグリストに基づく従来の検索手法は, 主流ハッシュタグの生成に優れていたが, 最新情報の定常的な流れを理解できなかった。 逆に、ジェネレーションベースの手法は、新しく投稿されたツイートを理解する優れた能力を示しているが、その能力は追加機能なしでメインストリームのハッシュタグを特定することに限定されている。 本研究では,検索型手法の最近の成功に触発されて,両手法の利点を組み合わせるために,このフレームワークの採用を試みる。 時間とともに、ジェネレータコンポーネントの助けを借りて、レトリバーコンポーネントのさらなる品質向上を低コストで行う方法を再考することができる。 そこで我々は,RIGHT(RetrIeval-augmented Generative Mainstream HashTag Recommender)を提案する。 1) 検索人は,tweet-hashtags セット全体から関連ハッシュタグを求める。 2 セレクタは、グローバル信号を導入することにより、主流の識別を高める。 3)ジェネレータは、入力ツイートと選択されたハッシュタグを組み込んで、希望するハッシュタグを直接生成する。 実験の結果,本手法は最先端ベースラインよりも大幅な改善が得られた。 さらに、RIGHTは大きな言語モデルに簡単に統合でき、ChatGPTの性能は10%以上向上する。

関連論文リスト

• ConceptHash: Interpretable Fine-Grained Hashing via Concept Discovery [128.30514851911218]
  ConceptHashは、サブコードレベルの解釈性を実現する新しい方法である。 ConceptHashでは、各サブコードは、オブジェクト部分のような人間の理解可能な概念に対応する。 学習したハッシュコードが、きめ細かいオブジェクトクラス内で識別可能であることを保証するために、言語ガイダンスを組み込んだ。
  論文  参考訳（メタデータ） (2024-06-12T17:49:26Z)
• #REVAL: a semantic evaluation framework for hashtag recommendation [6.746400031322727]
  本稿では,ハッシュタグレコメンデーションのための新しいセマンティックアセスメントフレームワーク#REvalを提案する。 #REvalにはBERTagと呼ばれる内部モジュールが含まれており、自動的にハッシュタグの埋め込みを学習する。 大規模な3つのデータセットを用いた実験の結果,#Revalはハッシュタグ推薦評価に有意義なハッシュタグシノニムを付与した。
  論文  参考訳（メタデータ） (2023-05-24T07:10:56Z)
• Hashtag-Guided Low-Resource Tweet Classification [31.810562621519804]
  ハッシュタグ誘導型つぶやき分類モデル(HashTation)を提案する。 HashTationは、入力ツイートの有意義なハッシュタグを自動的に生成し、ツイート分類に有用な補助信号を提供する。 実験によると、HashTationは7つの低リソースのつぶやき分類タスクで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-02-20T18:21:02Z)
• Retrieval-Augmented Multilingual Keyphrase Generation with Retriever-Generator Iterative Training [66.64843711515341]
  キーフレーズ生成は、長いテキストが与えられたキーフレーズを自動的に予測するタスクである。 我々は多言語キーフレーズ生成という新しい設定に注意を払っている。 非英語言語におけるデータ不足問題を軽減するために,多言語キーフレーズ生成のための検索拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-05-21T00:45:21Z)
• Attend and Select: A Segment Attention based Selection Mechanism for Microblog Hashtag Generation [69.73215951112452]
  ハッシュタグは、原文の様々な断片的な部分に由来する可能性のあるトークンまたはフレーズによって形成される。 本稿では,エンコーディング,セグメント選択,デコードという3つのフェーズからなるエンドツーエンドのトランスフォーマーベース生成モデルを提案する。 中国語のWeiboと英語のTwitterから新たに収集した2つの大規模ハッシュタグ生成データセットを紹介する。
  論文  参考訳（メタデータ） (2021-06-06T15:13:58Z)
• News Meets Microblog: Hashtag Annotation via Retriever-Generator [15.558878116343585]
  マイクロブログ投稿の前に公開されたニュース記事を利用して、Retriever-Generatorフレームワークに従ってハッシュタグを生成することを提案します。 英語のTwitterデータセットの実験は、ニュース記事を利用してハッシュタグを生成する優れたパフォーマンスと大きな利点を示しています。
  論文  参考訳（メタデータ） (2021-04-18T05:28:13Z)
• Hit ratio: An Evaluation Metric for Hashtag Recommendation [6.746400031322727]
  我々はハッシュタグ推薦のためのヒット比と呼ばれる新しい指標を提案する。 ハッシュタグレコメンデーションの分野での研究の多くは、ヒット率、精度、リコール、F1スコアといった古典的な指標を使用してきた。 ヒット率と古典的評価指標を比較すると,その限界が明らかになる。
  論文  参考訳（メタデータ） (2020-10-03T02:07:41Z)
• Deep Reinforcement Learning with Label Embedding Reward for Supervised Image Hashing [85.84690941656528]
  深層型ハッシュのための新しい意思決定手法を提案する。 我々はBose-Chaudhuri-Hocquenghem符号で定義された新しいラベル埋め込み報酬を用いて、深いQ-ネットワークを学ぶ。 我々の手法は、様々なコード長で最先端の教師付きハッシュ法より優れています。
  論文  参考訳（メタデータ） (2020-08-10T09:17:20Z)
• On Identifying Hashtags in Disaster Twitter Data [55.17975121160699]
  我々は,行動可能な情報をフィルタリングするのに有用なハッシュタグを付加した災害関連ツイートのユニークなデータセットを構築した。 このデータセットを用いて,マルチタスク学習フレームワークにおける長期記憶モデルについて検討する。 最高のパフォーマンスモデルでは、F1スコアは92.22%に達する。
  論文  参考訳（メタデータ） (2020-01-05T22:37:17Z)

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。