論文の概要: Deciphering Compatibility Relationships with Textual Descriptions via Extraction and Explanation

• arxiv url: http://arxiv.org/abs/2312.11554v1
• Date: Sun, 17 Dec 2023 05:45:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 18:32:02.069383
• Title: Deciphering Compatibility Relationships with Textual Descriptions via Extraction and Explanation
• Title（参考訳）: 抽出と説明によるテキスト記述との相性関係の解読
• Authors: Yu Wang, Zexue He, Zhankui He, Hao Xu, Julian McAuley
• Abstract要約: Pair Fashion Explanationデータセットは、互換性関係を照らすためにキュレーションされたユニークなリソースである。 このデータセットを活用する革新的な2段階パイプラインモデルを提案する。 実験では, 知識に富み, 真実の一致した相関関係に整合し, 理解しやすく, 情報に富む記述を生成するモデルの可能性を示す。
• 参考スコア（独自算出の注目度）: 28.91572089512024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and accurately explaining compatibility relationships between fashion items is a challenging problem in the burgeoning domain of AI-driven outfit recommendations. Present models, while making strides in this area, still occasionally fall short, offering explanations that can be elementary and repetitive. This work aims to address these shortcomings by introducing the Pair Fashion Explanation (PFE) dataset, a unique resource that has been curated to illuminate these compatibility relationships. Furthermore, we propose an innovative two-stage pipeline model that leverages this dataset. This fine-tuning allows the model to generate explanations that convey the compatibility relationships between items. Our experiments showcase the model's potential in crafting descriptions that are knowledgeable, aligned with ground-truth matching correlations, and that produce understandable and informative descriptions, as assessed by both automatic metrics and human evaluation. Our code and data are released at https://github.com/wangyu-ustc/PairFashionExplanation
• Abstract（参考訳）: ファッションアイテム間の互換性関係を理解し、正確に説明することは、AI駆動のファッションレコメンデーションの急成長する領域において難しい問題である。 現在のモデルは、この領域で前進する一方で、時折不足し、初等的で反復的な説明を提供する。 この研究は、Pair Fashion Explanation (PFE)データセットを導入することでこれらの欠点に対処することを目的としている。 さらに,このデータセットを活用した革新的な2段階パイプラインモデルを提案する。 この微調整により、モデルはアイテム間の互換性関係を伝える説明を生成することができる。 実験では,知識に富み,地対面の相関関係と一致し,理解可能かつ情報に富む記述を生成できる記述を,自動計測と人的評価の両方で評価するモデルの可能性を示す。 私たちのコードとデータはhttps://github.com/wangyu-ustc/pairfashionexplanationでリリースされます。

関連論文リスト

• Relation Rectification in Diffusion Model [64.84686527988809]
  本稿では,最初に生成できない関係を正確に表現するためにモデルを洗練することを目的とした,リレーション・リクティフィケーション(Relation Rectification)と呼ばれる新しいタスクを紹介する。 異種グラフ畳み込みネットワーク(HGCN)を利用した革新的な解を提案する。 軽量HGCNは、テキストエンコーダによって生成されたテキスト埋め込みを調整し、埋め込み空間におけるテキスト関係の正確な反映を保証する。
  論文  参考訳（メタデータ） (2024-03-29T15:54:36Z)
• Entity or Relation Embeddings? An Analysis of Encoding Strategies for Relation Extraction [19.019881161010474]
  関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。 既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。 本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
  論文  参考訳（メタデータ） (2023-12-18T09:58:19Z)
• Realistic Counterfactual Explanations by Learned Relations [0.0]
  本稿では,データ属性間の関係を保存した現実的対実的説明に対する新しいアプローチを提案する。 モデルはドメイン知識のない変分自動エンコーダによって関係を直接学習し、それに従って潜伏空間を乱すことを学習する。
  論文  参考訳（メタデータ） (2022-02-15T12:33:51Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Open Relation Modeling: Learning to Define Relations between Entities [24.04238065663009]
  本稿では,機械にエンティティの定義から学習させることで,定義のような関係記述を生成することを提案する。 具体的には、抽出されたエンティティペアに条件付き定義を生成するために、PLM(Pre-Tuneed Language Models)を微調整する。 我々は, PLM が信頼度推定によって解釈可能かつ情報的推論経路を選択できることを示し, 選択した経路が PLM を誘導し, より優れた関係記述を生成することを示す。
  論文  参考訳（メタデータ） (2021-08-20T16:03:23Z)
• Attribute-aware Explainable Complementary Clothing Recommendation [37.30129304097086]
  本研究は、ファッションレコメンデーションにおける説明可能性の課題に、新しいファッションレコメンデーションレコメンダ(AFRec)を提案して取り組むことを目的とする。 AFRecレコメンダは、各アイテムの視覚的特徴から抽出された属性レベルの表現を明示的に活用することで、服の互換性を評価する。 属性は2つのファッションアイテム間のブリッジとして機能し、そこでは属性間の学習された互換性を通じて、一対のアイテムの親和性を定量化する。
  論文  参考訳（メタデータ） (2021-07-04T14:56:07Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Understanding Neural Abstractive Summarization Models via Uncertainty [54.37665950633147]
  seq2seq抽象要約モデルは、自由形式の方法でテキストを生成する。 モデルのトークンレベルの予測のエントロピー、すなわち不確実性について検討する。 要約とテキスト生成モデルをより広範囲に解析する上で,不確実性は有用であることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:57:27Z)
• HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
  複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。 実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。 さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
  論文  参考訳（メタデータ） (2020-08-28T18:58:15Z)

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。