从全监督到零样本设置的推特标签推荐
信息检索
2019-06-13 v1 计算与语言
机器学习
机器学习
摘要
我们提出了一个用于推特标签推荐系统的端到端综合流程，包括数据收集、监督训练设置和零样本训练设置。在监督训练设置中，我们提出并比较了多种深度学习架构的性能，即卷积神经网络（CNN）、循环神经网络（RNN）和 Transformer 网络。然而，为所有可能的标签收集数据并训练分类器模型并不可行。为克服此限制，我们提出一种零样本学习（ZSL）范式，通过学习推文语义空间与标签嵌入空间之间的关系来预测未见标签。我们评估了多种最先进的 ZSL 方法，如语义嵌入凸组合（ConSE）、极简零样本学习（ESZSL）和深度嵌入零样本学习模型（DEM-ZSL），用于标签推荐任务。我们展示了 ZSL 方法在推荐未见标签上的有效性与可扩展性。据我们所知，这是迄今首个针对从推文文本推荐未见标签的 ZSL 方法的定量评估。
引用
@article{arxiv.1906.04914,
title = {From Fully Supervised to Zero Shot Settings for Twitter Hashtag Recommendation},
author = {Abhay Kumar and Nishant Jain and Suraj Tripathi and Chirag Singh},
journal= {arXiv preprint arXiv:1906.04914},
year = {2019}
}
备注
Accepted in CICLing 2019