論文の概要: Enhancing Multi-field B2B Cloud Solution Matching via Contrastive Pre-training
- arxiv url: http://arxiv.org/abs/2402.07076v2
- Date: Fri, 7 Jun 2024 02:46:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 20:07:34.165498
- Title: Enhancing Multi-field B2B Cloud Solution Matching via Contrastive Pre-training
- Title（参考訳）: コントラスト事前学習によるマルチフィールドB2Bクラウドソリューションマッチングの強化
- Authors: Haonan Chen, Zhicheng Dou, Xuetong Hao, Yunhao Tao, Shiren Song, Zhenli Sheng,
- Abstract要約: 我々は,B2Bソリューションマッチング問題について検討し,(1)複雑な多分野特徴のモデリング,(2)限定的,不完全かつスパースなトランザクションデータについて,このシナリオの2つの主要な課題を特定する。
これらの課題に対処するために,階層型マルチフィールドマッチング構造をバックボーンとして構築し,3つのデータ拡張戦略と対照的な事前学習目標を補完するフレームワークCAMAを提案する。
分析の結果,CVR(Conversion Rate)では,従来のオンラインモデルと比較して約30%の改善が見られた。
- 参考スコア（独自算出の注目度）: 18.933065707837986
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloud solutions have gained significant popularity in the technology industry as they offer a combination of services and tools to tackle specific problems. However, despite their widespread use, the task of identifying appropriate company customers for a specific target solution to the sales team of a solution provider remains a complex business problem that existing matching systems have yet to adequately address. In this work, we study the B2B solution matching problem and identify two main challenges of this scenario: (1) the modeling of complex multi-field features and (2) the limited, incomplete, and sparse transaction data. To tackle these challenges, we propose a framework CAMA, which is built with a hierarchical multi-field matching structure as its backbone and supplemented by three data augmentation strategies and a contrastive pre-training objective to compensate for the imperfections in the available data. Through extensive experiments on a real-world dataset, we demonstrate that CAMA outperforms several strong baseline matching models significantly. Furthermore, we have deployed our matching framework on a system of Huawei Cloud. Our observations indicate an improvement of about 30% compared to the previous online model in terms of Conversion Rate (CVR), which demonstrates its great business value.
- Abstract（参考訳）: クラウドソリューションは、特定の問題に対処するためのサービスとツールの組み合わせを提供するため、テクノロジ業界で大きな人気を集めている。
しかし、広く利用されているにもかかわらず、ソリューション提供者の営業チームの特定のターゲットソリューションに対して適切な企業顧客を特定するタスクは、既存のマッチングシステムが十分に対応していない複雑なビジネス問題のままである。
本研究では,B2B ソリューションマッチング問題について検討し,複雑なマルチフィールド特徴のモデリングと,制限された,不完全で,スパースなトランザクションデータについて,このシナリオの2つの主要な課題を同定する。
これらの課題に対処するために,階層型マルチフィールドマッチング構造をバックボーンとして構築し,データ拡張戦略と,利用可能なデータの不完全性を補うための対照的な事前学習目標によって補足するフレームワークCAMAを提案する。
実世界のデータセットに関する広範な実験を通して、CAMAはいくつかの強力なベースラインマッチングモデルよりも優れていることを示した。
さらに、Huawei Cloudのシステムにマッチングフレームワークをデプロイしました。
分析の結果,CVR(Conversion Rate)では,従来のオンラインモデルと比較して約30%の改善が見られた。
関連論文リスト
- TeleOracle: Fine-Tuned Retrieval-Augmented Generation with Long-Context Support for Network [4.551436852242372]
我々はPhi-2小言語モデル(SLM)上に構築された通信通信特化検索拡張生成(RAG)システムであるTeleOracleを紹介する。
コンテキスト検索を改善するために、TeleOracleはセマンティックチャンキングとハイブリッドキーワードとセマンティック検索を組み合わせた2段階のレトリバーを使用している。
モデルの性能を徹底的に分析した結果,我々のRAGフレームワークは,Phi-2モデルよりも30%精度が向上し,ダウンストリーム質問応答(QnA)タスクにおいてPhi-2を通信領域に整列させるのに有効であることが示唆された。
論文 参考訳（メタデータ） (2024-11-04T21:12:08Z) - Rephrase and Contrast: Fine-Tuning Language Models for Enhanced Understanding of Communication and Computer Networks [13.829525575305206]
本稿では,効率的な微調整フレームワークであるRephrase and Contrast(RaC)フレームワークについて紹介する。
RaCは質問の修正と対照的な分析を取り入れることでLLMの理解と批判的思考能力を高める。
本稿では,RaC微調整のためのデータセットを効率的に構築するために,高品質な質問応答対を生成するためのGPT支援データマイニング法を開発した。
論文 参考訳（メタデータ） (2024-09-21T16:04:43Z) - UNK-VQA: A Dataset and a Probe into the Abstention Ability of Multi-modal Large Models [55.22048505787125]
本稿ではUNK-VQAと呼ばれる包括的データセットを提案する。
まず、画像または疑問について意図的に摂動することで、既存のデータを拡大する。
そこで我々は,新たなマルチモーダル大規模モデルのゼロショット性能と少数ショット性能を広範囲に評価した。
論文 参考訳（メタデータ） (2023-10-17T02:38:09Z) - Enhancing Human-like Multi-Modal Reasoning: A New Challenging Dataset
and Comprehensive Framework [51.44863255495668]
マルチモーダル推論は、人間のような知性を示す人工知能システムの追求において重要な要素である。
提案するマルチモーダル推論(COCO-MMR)データセットは,オープンエンド質問の集合を包含する新しいデータセットである。
画像とテキストエンコーダを強化するために,マルチホップ・クロスモーダル・アテンションや文レベルのコントラスト学習などの革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-07-24T08:58:25Z) - Conjunctive Query Based Constraint Solving For Feature Model
Configuration [79.14348940034351]
本稿では、制約満足度問題を解決するために共役クエリーを適用する方法を示す。
このアプローチは、構成タスクを解決するために、広範囲のデータベース技術の応用を可能にする。
論文 参考訳（メタデータ） (2023-04-26T10:08:07Z) - Optimal Solutions for Joint Beamforming and Antenna Selection: From
Branch and Bound to Machine Learning [47.10315221141495]
本研究は、不完全なチャネル状態情報(CSI)の下で、継手ビームフォーミング(BF)とアンテナ選択(AS)の問題およびロバストビームフォーミング(RBF)バージョンを再検討する。
この研究の主な貢献は3つある。まず、関心事の問題を解決する効果的な分岐と境界(B&B)フレームワークを提案する。
第二に、潜在的にコストのかかるB&Bアルゴリズムを高速化するために、B&B検索ツリーの中間状態を省略する機械学習(ML)ベースのスキームが提案されている。
論文 参考訳（メタデータ） (2022-06-11T17:43:02Z) - MetaQA: Combining Expert Agents for Multi-Skill Question Answering [49.35261724460689]
マルチデータセットモデルの有望な結果にもかかわらず、いくつかのドメインやQAフォーマットは特定のアーキテクチャを必要とするかもしれません。
本稿では,専門家エージェントと,質問,回答予測,回答予測信頼度スコアを考慮した,新しい,柔軟な,学習効率の高いアーキテクチャを組み合わせることを提案する。
論文 参考訳（メタデータ） (2021-12-03T14:05:52Z) - Low-Latency Federated Learning over Wireless Channels with Differential
Privacy [142.5983499872664]
フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。
本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
論文 参考訳（メタデータ） (2021-06-20T13:51:18Z) - DoubleEnsemble: A New Ensemble Method Based on Sample Reweighting and
Feature Selection for Financial Data Analysis [22.035287788330663]
学習軌道に基づくサンプル再重み付けとシャッフルに基づく特徴選択を利用したアンサンブルフレームワークであるDoubleEnsembleを提案する。
我々のモデルは、複雑なパターンを抽出できる幅広い基盤モデルに適用でき、金融市場の予測に過度に適合し、不安定な問題を緩和できる。
論文 参考訳（メタデータ） (2020-10-03T02:57:10Z) - Recommender Systems Based on Generative Adversarial Networks: A
Problem-Driven Perspective [27.11589218811911]
GAN(Generative Adversarial Network)は、複雑な実データ分布を学習する能力の強いため、多くの分野への関心が高まっている。
本稿では,これらのモデルの分類と,それらの詳細な記述と利点を提案する。
論文 参考訳（メタデータ） (2020-03-05T08:05:38Z)
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。