Smart Word Suggestions for Writing Assistance
Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所);Center for Data Science, Peking University(北京大学数据科学中心);Microsoft(微软);Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院);State Key Laboratory of Media Convergence Production Technology and Systems(媒体融合生产技术与系统国家重点实验室)
本文提出Smart Word Suggestions(SWS)任务与基准,通过端到端评估识别写作中需改进的词汇并提供替换建议,构建了含人工标注测试集与远监督训练集的评估框架,实验表明该任务具挑战性并指明未来方向。
2023-05-17 cs.CL
End-to-End Autoregressive Retrieval via Bootstrapping for Smart Reply Systems
University of Nottingham(诺丁汉大学);Nokia Bell Labs(诺基亚贝尔实验室)
本文提出用自回归文本到文本检索模型端到端学习智能回复任务,通过自举法构建(消息,回复集合)数据集,在三个数据集上显著超越现有基线,同时提升回复相关性与多样性。
2023-10-29 cs.AI cs.CL cs.LG
Combing for Credentials: Active Pattern Extraction from Smart Reply
University of Virginia(弗吉尼亚大学);Microsoft(微软);Microsoft Research(微软研究院)
本研究提出一种主动提取攻击,利用规范模式从智能回复模型中仅用少量查询即可提取训练数据中的敏感信息,并验证差分隐私可有效防御此类攻击。
2023-09-02 cs.CL cs.CR cs.LG
Model-Based Simulation for Optimising Smart Reply
University of Nottingham(诺丁汉大学);Nokia Bell Labs(诺基亚贝尔实验室)
本文提出 SimSR 方法,通过基于模型的仿真直接优化智能回复集合的相关性,在两个公开数据集上相比现有最佳方法分别提升 ROUGE 最高 21% 和 Self-ROUGE 最高 18%。
2023-05-26 cs.AI cs.CL cs.LG
Comparing Sentence-Level Suggestions to Message-Level Suggestions in AI-Mediated Communication
Cornell University(康奈尔大学);Thomson Reuters Labs(汤森路透实验室);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
传统上,写作辅助系统专注于简短甚至单个单词的建议。最近,像GPT-3这样的大语言模型已经可以生成更长的自然建议,提供更高级的帮助机会。本研究探讨了句子与消息级别的建议之间的权衡人工智能介导的通信。我们招募了120名参与者,作为立法者办公室的工作人员,他们经常需要对大量的选民关注做出回应。参与者被要求回复电子邮件,提供不同类型的帮助。结果表明,收到消息级别建议的参与者响应更快,对体验更满意,因为他们主要编辑建议的草稿。此外,他们写的文章被其他人评价为更有帮助。相比之下,接受中级援助的参与者保留了更高的代理感,但需要更长的时间完成任务,因为他们需要计划他们的回应流程并决定何时使用建议。我们的研究结果对设计适合任务的沟通辅助系统具有一定的意义。
2023-02-26 cs.CL cs.HC
Gmail Smart Compose: Real-Time Assisted Writing
Google(谷歌)
在本文中,我们提出了智能撰写,一个新的系统,用于生成交互式的,实时的【形】建议,在Gmail中,帮助用户在写邮件,减少重复打字。在设计和部署这样一个大规模、复杂的系统时,我们面临着模型选择、性能评估、服务等实际问题。Smart Compose的核心是一个大规模神经语言模型。我们利用最先进的机器学习技术进行语言模型训练,从而实现高质量的建议预测,并为高吞吐量和实时的【形】推理构建了新颖的服务基础设施。实验结果表明,我们提出的系统设计和部署方法的有效性。该系统目前在Gmail中运行。
2019-05-17 cs.CL cs.LG
Impersonation: Modeling Persona in Smart Responses to Email
Microsoft India AI & R(微软印度人工智能与研发部)
在本文中,我们提出的设计,实现和有效性产生个性化的建议,电子邮件回复。为了根据用户的风格和个性来个性化电子邮件响应,我们根据用户过去对电子邮件的响应来建模用户角色。该模型被添加到使用所有用户电子邮件的过去响应跨用户创建的基于语言的模型中。用户模型捕捉给定特定上下文的用户的典型响应。上下文包括所接收的电子邮件、电子邮件的接收者以及诸如日历活动、偏好等的其他外部信号。上下文连同用户个性(例如,外向的,正式的,保守的,等等)用于建议响应。这些响应可以是多种模式的混合:电子邮件回复(文本),音频剪辑等。这有助于使响应尽可能地模仿用户,并帮助用户提高生产力,同时保留她在响应中的标记。
2018-06-12 cs.CL
Enhancing AI Assisted Writing with One-Shot Implicit Negative Feedback
University of Nottingham(诺丁汉大学);Nokia Bell Labs(诺基亚贝尔实验室)
本研究提出Nifty方法,利用用户未选择智能回复作为单次隐式负反馈,通过分类器引导将其整合到文本生成中,显著提升AI写作模型的准确性与意图生成效果。
2024-10-14 cs.AI cs.CL cs.LG
Content-Driven Local Response: Supporting Sentence-Level and Message-Level Mobile Email Replies With and Without AI
University of Bayreuth(拜罗伊特大学)
针对移动电子邮件AI回复与用户需求不符的问题,提出内容驱动的局部响应(CDLR)界面概念,支持句子级插入回复并引导AI建议,通过用户研究验证其可灵活调整AI参与度并保留输入效率优势。
2025-02-10 cs.CL cs.HC
Built Environment Reasoning from Remote Sensing Imagery Using Large Vision--Language Models
Department of Urban and Regional Planning, University of Florida(佛罗里达大学城市与区域规划系)
本文研究了大语言模型在智慧城市中的应用,通过多尺度遥感图像输入多模态语言模型,评估其对建成环境推理的影响,并比较了InternVL和Qwen等先进模型在生成建成环境建议中的准确性和可靠性。
2026-05-08 cs.AI cs.CL cs.CV
Real-Time Optimized N-gram For Mobile Devices
Samsung R&D Institute Bangalore(三星班加罗尔研发研究院)
随着移动设备数量的增加,已经持续研究生成用于软键盘的优化的语言模型(LM)。尽管在这一领域取得了进展,但为低端功能手机以及高端智能手机构建单一LM仍然是一个迫切的需求。因此,我们提出了一种新的技术,优化的N-gram(Op-Ngram),这是一种端到端的N-gram管道,可以有效地利用移动资源来实现更快的单词完成(WC)和下一个单词预测(NWP)。Op-Ngram应用Stupid Backoff和修剪策略来生成轻量级模型。LM在移动设备上的加载时间与模型大小呈线性关系。我们观察到Op-Ngram与BerkeleyLM的SORTED数组变体相比,在语言模型(LM)-ROM大小方面提高了37%,在LM-RAM大小方面提高了76%,在加载时间方面提高了88%,在平均建议时间方面提高了89%。此外,我们的方法显示显着的性能改善,以及KenLM。
2021-01-07 cs.CL
Sentiment-Aware Recommendation Systems in E-Commerce: A Review from a Natural Language Processing Perspective
University of Dayton(代顿大学)
本文从自然语言处理视角系统综述了2023至2025年初电子商务情感感知推荐系统,归纳了深度学习、Transformer、图神经网络和对话式推荐四类方法,并指出关键挑战与未来研究方向。
2025-05-03 cs.AI cs.CL cs.IR