分享一篇SIGIR2024的最佳论文,探究了密集检索的Scaling Laws,尽管结论是 数据和模型都越大越好,不过这篇文章的行文和严谨实验设置还是值得一看的,对于评估协议、不同的数据标注方法、预算分配也提出了一些较深…
3月26日,国际学术会议SIGIR 2024论文接收结果公布。中国人民大学高瓴人工智能学院师生有15篇论文被录用(10篇长文、1篇数据集、2篇短文、2篇demo)。The 47th International ACM SIGIR Conference on Research and Development in Information Retrieva...
第 47 届国际计算机协会信息检索大会（ACM SIGIR） 于 2024 年 7 月 14 日至 18 日在美国华盛顿特区举行。该会议是信息检索领域的顶级学术会议。刚刚，大会公布了最佳论文奖、最佳论文亚军、最佳论文荣誉提名奖以及时间检验奖等奖项。其中，清华大学、中国人民大学高瓴人工智能学院、小红书团队获得了最佳论文；来自格...
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…
2014年发表的论文斩获SIGIR 2024唯一「时间检验奖」,另一篇论文获得「最佳论文奖」。 网友对此表示热烈祝贺,「实至名归」! 另外,CS系助理教授艾清遥还获得了「青年学者奖」,这也是中国大陆研究学者首次拿下该奖项。 除清华艾清遥之外,还有微软研究院Bhaskar Mitra、拉德堡德大学Harrle Oosterhuis,以及中科大Xiang Wang...
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。
近日,中国科学院计算技术研究所网络数据科学与技术重点实验室的 2 篇长文论文被 SIGIR 2024 录用,主题包括大模型检索增强、排序模型对抗攻击。第 47 届ACM SIGIR 信息检索研究与发展国际会议(The 47th International ACM SIGIR Conference on Rese...
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...
分享一篇SIGIR2024最佳论文，探讨密集检索的Scaling Laws。论文发现，模型与数据规模越大，性能越好，研究包含评估协议、不同数据标注方法、预算分配的深刻见解。论文题目：Scaling Laws For Dense Retrieval，来源：SIGIR2024/清华。方向：文本检索。摘要指出，Scaling Laws在语言生成任务中被广泛观察，大型语言...
SIGIR 2024是第47届国际性的ACM SIGIR信息检索研究与开发大会,于2024年7月14日至18日在美国华盛顿特区举行。此次会议征集并发表了许多关于信息检索领域的优秀论文,其中涉及大语言模型与推荐系统融合的论文尤为引人注目。以下是对SIGIR 2024会议中部分相关论文的归纳: 一、大语言模型在推荐系统中的应用 Large Language ...