论文题目:Scaling Laws For Dense Retrieval 来源:SIGIR2024/清华 方向:文本检索 开源地址:github.com/jingtaozhan/ 1.摘要 Scaling Laws已经在广泛的任务中被观察到,特别是在语言生成中。先前的研究发现,大型语言模型的性能和模型、数据集的大小存在可预测的模式关系。这有助于我们有效地设计训练策略,特别是在大规模...
作者:李炳黔,导师为赵鑫教授 引言随着大语言模型在自然语言处理领域的迅速发展,如何利用大语言模型的强大能力赋能推荐系统成为了热门的研究方向。在本文中,我们筛选并总结了SIGIR 2024关于大语言模型与推荐系…
近日,信息检索国际顶级会议(SIGIR 2024)公布了录用论文列表,博士生张晓堃关于推荐系统的两篇论文均被录取为长文。SIGIR是信息检索与数据挖掘领域的顶级会议,被CCF推荐为A类国际学术会议,在学术界及业界均享有盛誉。 这次会议共收到1148篇长文投稿,其...
TLDR: 为了缓解多模态推荐存在的效率问题,本文提出一种高效适配多模态表征的序列推荐方法,并提出了一种更加全面的效率衡量指标TPME,最后从实验和理论方面证实了该方法的优越性。该成果已被SIGIR 2024接收。 论文:arxiv.org/pdf/2404....
论文的主要贡献包括: 提出了一个使用预训练大语言模型的框架,用于下一个POI推荐任务,这是首次在标准尺寸的数据集上微调语言模型以利用常识知识。 提出了基于提示(prompt-based)的轨迹相似性概念,用于结合历史轨迹和不同用户的轨迹信息,以缓解冷启动问题,并提高对各种长度轨迹的预测准确性。
本文精选了美团技术团队被SIGIR 2024收录的3篇论文进行解读,第一篇论文围绕如何利用深度学习,来整合广告拍卖和混排;第二篇论文扩展定义了全用户纵向联邦推荐范式,并首次提出基于检索增强的纵向联邦推荐框架ReFer,解决了跨域特征缺失问题;第三篇论文提出了一种新颖的框架——解耦对比超图学习,并应用于下一个兴趣点推荐任务...
本文精选了美团技术团队被SIGIR 2024收录的3篇论文进行解读,第一篇论文围绕如何利用深度学习,来整合广告拍卖和混排;第二篇论文扩展定义了全用户纵向联邦推荐范式,并首次提出基于检索增强的纵向联邦推荐框架ReFer,解决了跨域特征缺失问题;第三篇论文提出了一种新颖的框架——解耦对比超图学习,并应用于下一个兴趣点推荐任务...
作为新一代智能技术，大语言模型为信息检索研究和应用的变革带来了前所未有的机遇。事实上，正如近期关于该主题的一项调查所引用的大量参考文献（231篇参考文献）以及该领域许多有影响力的论文所表明的那样，使用大语言模型进行信息检索的研究已经迅速增长。然而，现有的将大语言模型应用于信息检索的工作大多侧重于利用大...
我们在两个常用的公开数据集上的实验结果显示出我们的方法在药物推荐模型的准确度和公平性方面有着显著优势。 论文地址:https://arxiv.org/abs/2403.17745 代码地址:https://github.com/zzhUSTC2016/RAREMed 引言 随着人工智能的快速发展,其在医疗健康领域的应用得到了越来越多的关注,其中,药物推荐是一个重要的...