論文の概要: Dynamic In-Context Learning from Nearest Neighbors for Bundle Generation

• arxiv url: http://arxiv.org/abs/2312.16262v1
• Date: Tue, 26 Dec 2023 08:24:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-29 20:17:39.980225
• Title: Dynamic In-Context Learning from Nearest Neighbors for Bundle Generation
• Title（参考訳）: バンドル生成のための近傍からの動的インコンテキスト学習
• Authors: Zhu Sun, Kaidong Feng, Jie Yang, Xinghua Qu, Hui Fang, Yew-Soon Ong, Wenyuan Liu
• Abstract要約: 本稿では,セッション中のユーザのインタラクションに基づいて,パーソナライズされたバンドル生成と,その基盤となる意図推論という2つの相互関連タスクについて検討する。 そこで我々は,ChatGPTが密接に関連するセッションから,高度で動的に学習できる動的インコンテキスト学習パラダイムを提案する。 本研究では,(1)監督信号のないタスク間の相互改善を促進する自己補正戦略,(2)動的監視を繰り返す自動フィードバック機構を開発する。
• 参考スコア（独自算出の注目度）: 33.25497578184437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Product bundling has evolved into a crucial marketing strategy in e-commerce. However, current studies are limited to generating (1) fixed-size or single bundles, and most importantly, (2) bundles that do not reflect consistent user intents, thus being less intelligible or useful to users. This paper explores two interrelated tasks, i.e., personalized bundle generation and the underlying intent inference based on users' interactions in a session, leveraging the logical reasoning capability of large language models. We introduce a dynamic in-context learning paradigm, which enables ChatGPT to seek tailored and dynamic lessons from closely related sessions as demonstrations while performing tasks in the target session. Specifically, it first harnesses retrieval augmented generation to identify nearest neighbor sessions for each target session. Then, proper prompts are designed to guide ChatGPT to perform the two tasks on neighbor sessions. To enhance reliability and mitigate the hallucination issue, we develop (1) a self-correction strategy to foster mutual improvement in both tasks without supervision signals; and (2) an auto-feedback mechanism to recurrently offer dynamic supervision based on the distinct mistakes made by ChatGPT on various neighbor sessions. Thus, the target session can receive customized and dynamic lessons for improved performance by observing the demonstrations of its neighbor sessions. Finally, experimental results on three real-world datasets verify the effectiveness of our methods on both tasks. Additionally, the inferred intents can prove beneficial for other intriguing downstream tasks, such as crafting appealing bundle names.
• Abstract（参考訳）: 商品のバンドルは、eコマースにおける重要なマーケティング戦略へと進化した。 しかし、現状の研究は(1)固定サイズまたは単一バンドルの生成に限られており、特に、(2)一貫したユーザ意図を反映しないバンドルは、ユーザにとって理解しにくい、あるいは有用ではない。 本稿では,2つの相互関連タスク,すなわちパーソナライズされたバンドル生成と,大規模言語モデルの論理的推論機能を活用したセッションにおけるユーザのインタラクションに基づく意図推論について検討する。 そこで本研究では,ChatGPTが目標セッションでタスクを実行しながら,より密接なセッションから適切な動的レッスンを提示する動的インコンテキスト学習パラダイムを提案する。 具体的には、まず検索拡張生成を利用して、ターゲットセッション毎に最も近い隣のセッションを特定する。 次に、適切なプロンプトはChatGPTをガイドして隣のセッションで2つのタスクを実行するように設計されている。 幻覚の問題を緩和し信頼性を高めるため,(1) 監督信号なしでタスク間の相互改善を促進する自己補正戦略,(2) 近隣の様々なセッションにおいてChatGPTが犯した異なる誤りに基づいて動的監視を繰り返す自動フィードバック機構を開発する。 これにより、ターゲットセッションは、隣のセッションのデモを観察してパフォーマンスを改善するためのカスタマイズされた動的レッスンを受けることができる。 最後に,実世界の3つのデータセットによる実験結果から,本手法の有効性を検証した。 さらに、推論された意図は、魅力的なバンドル名を作成するなど、他の下流タスクにとって有益である。

関連論文リスト

• Bidirectional Decoding: Improving Action Chunking via Closed-Loop Resampling [51.38330727868982]
  双方向デコーディング(BID)は、クローズドループ操作で動作チャンキングをブリッジするテスト時間推論アルゴリズムである。 BIDは、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させることを示す。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• Spatio-Temporal Context Prompting for Zero-Shot Action Detection [13.22912547389941]
  本稿では,視覚言語モデルの豊富な知識を効果的に活用し,対人インタラクションを実現する手法を提案する。 同時に複数の人物による異なる行動を認識するという課題に対処するために,興味あるトークンスポッティング機構を設計する。 提案手法は,従来の手法に比べて優れた結果を得ることができ,さらにマルチアクションビデオに拡張することができる。
  論文  参考訳（メタデータ） (2024-08-28T17:59:05Z)
• Adapting Job Recommendations to User Preference Drift with Behavioral-Semantic Fusion Learning [49.262407095098645]
  求人推薦システムは、オンライン求職における求職者と求職者の機会の整合に不可欠である。 ユーザは、雇用機会を継続的に確保するために、仕事の好みを調整する傾向があります。 セマンティック情報と行動情報の融合学習を通じてユーザの嗜好をモデル化するセッションベースフレームワークBISTROを提案する。
  論文  参考訳（メタデータ） (2024-06-24T14:38:04Z)
• SR-GCL: Session-Based Recommendation with Global Context Enhanced Augmentation in Contrastive Learning [5.346468677221906]
  セッションベースのレコメンデーションは、進行中のセッションに基づいて、ユーザの次の振る舞いを予測することを目的としている。 最近の研究は、複雑なアイテム遷移をキャプチャするための注意機構を備えたグラフニューラルネットワークを適用している。 セッションベースレコメンデーションのための新しいコントラスト学習フレームワークSR-GCLを提案する。
  論文  参考訳（メタデータ） (2022-09-22T06:18:20Z)
• Speech Sequence Embeddings using Nearest Neighbors Contrastive Learning [15.729812221628382]
  教師なしのコントラスト学習目標を用いてトレーニング可能な,シンプルなニューラルエンコーダアーキテクチャを提案する。 近年の自己教師型音声表現の上に構築されている場合,本手法は反復的に適用でき,競争力のあるSSEが得られることを示す。
  論文  参考訳（メタデータ） (2022-04-11T14:28:01Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Unsupervised Conversation Disentanglement through Co-Training [30.304609312675186]
  人間のアノテーションを参考にすることなく、会話の絡み合いモデルを訓練する。 提案手法は,2つのニューラルネットワークからなるディープコトレーニングアルゴリズムに基づいて構築される。 メッセージペア分類器では、信頼度の高いメッセージペアを検索することで、トレーニングデータを強化します。
  論文  参考訳（メタデータ） (2021-09-07T17:05:18Z)
• A Graph-based Interactive Reasoning for Human-Object Interaction Detection [71.50535113279551]
  本稿では,HOIを推論するインタラクティブグラフ(Interactive Graph, in-Graph)という,グラフに基づくインタラクティブ推論モデルを提案する。 In-GraphNet と呼ばれる HOI を検出するための新しいフレームワークを構築した。 私たちのフレームワークはエンドツーエンドのトレーニングが可能で、人間のポーズのような高価なアノテーションはありません。
  論文  参考訳（メタデータ） (2020-07-14T09:29:03Z)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。