Efficient support ticket resolution using Knowledge Graphs
SAP Labs India(思爱普实验室印度分部);SAP Labs US(思爱普实验室美国分部)
本文针对复杂支持工单解决效率低的问题,提出利用多源知识图谱嵌入增强学习排序算法,以更准确地推荐合适的工程师或工程师群组,实验表明其效果显著优于TF-IDF等传统方法。
2024-12-31 cs.AI cs.LG cs.MA
Autoencoder-based General Purpose Representation Learning for Customer Embedding
Amazon Web Services(亚马逊网络服务);University of Amsterdam(阿姆斯特丹大学);Ludwig Maximilians University(路德维希-马克西米利安大学)
本文提出 DEEPCAE 方法,通过改进多层收缩自编码器的正则化计算,在 13 个数据集上实现重建误差降低 34%,并验证了其在通用实体嵌入中的优越性。
2025-02-04 cs.AI cs.LG
Product Knowledge Graph Embedding for E-commerce
Walmart Labs(沃尔玛实验室)
在本文中,我们提出了一种新的产品知识图谱(PKG)嵌入方法学习的内在产品关系作为产品知识的电子商业。我们定义了关键实体,并总结了关键的产品关系,是至关重要的一般电子商业应用程序,包括营销,广告,搜索排名和推荐。我们首先提供了一个全面的比较PKG和普通的知识图谱(KG),然后说明为什么KG嵌入方法不适合PKG学习。我们构建了一个自我注意增强的分布式表示学习模型,用于以端到端的方式从原始客户活动数据中学习PKG嵌入。我们设计了一个有效的多任务学习模式,充分利用多模态电子商业数据。庞加莱嵌入也被用来处理复杂的实体结构。我们使用来自grocery.walmart.com的真实世界数据集来评估知识完成,搜索排名和推荐的性能。所提出的方法相比,在知识完成和下游任务的基线。
2019-11-28 cs.IR cs.LG stat.ML
Sequential Recommendation Model for Next Purchase Prediction
Ernst & Young LLP(安永会计师事务所)
本文利用270万笔信用卡交易数据,提出结合自编码器与GRU的序列推荐模型预测用户下次购买,在样本外测试集上MAP@1达47%,并探讨了将其嵌入Nexus实时数字体验架构的应用意义。
2023-06-30 cs.AI cs.IR cs.LG
Finding Lookalike Customers for E-Commerce Marketing
Walmart Global Tech(沃尔玛全球技术)
本文提出一种可扩展的高效系统,利用基于深度学习的客户嵌入模型和近似最近邻搜索方法,为沃尔玛电商营销快速寻找数亿规模中的相似客户以扩展目标受众,实验证明其性能卓越。
2023-07-02 cs.AI cs.IR cs.LG
Exploring Multi-Banking Customer-to-Customer Relations in AML Context with Poincaré Embeddings
IBM Global Business Services(IBM全球企业咨询服务部);IBM Lithuania, Client Innovation Center Baltic(IBM立陶宛波罗的海客户创新中心);IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心)
近年来,洗钱计划的复杂性和实现速度都有所增加,影响到全球金融机构和数百万客户。加强的隐私政策以及国内法规使银行难以内部和交叉共享,并报告AML(反洗钱)措施的可疑活动。用于AML分析和信息共享的现有拓扑和模型受到重大限制,例如符合监管约束,扩展基础设施以运行高计算算法,数据质量和跨度,证明执行,联合和解释繁琐且成本高昂。本文提出了一种新的拓扑结构,探索多银行客户的社会关系在AML的上下文中-客户对客户,客户对交易,交易对交易-使用3D建模拓扑代数通过庞加莱嵌入制定。
2020-06-22 cs.CY cs.LG cs.SI
Using Person Embedding to Enrich Features and Data Augmentation for Classification
如今,机器学习几乎应用于任何领域。在机器学习中,有许多方法,分类是最基本和最关键的方法之一。各种问题可以通过分类来解决。用于模型设置的特征选择是极其重要的,并且通过特征工程产生新特征在模型的成功中也具有至关重要的地位。在我们的研究中,欺诈检测分类模型是建立在一个标记和不平衡的数据集作为案例研究。虽然它是一种自然语言处理方法,但已经使用词嵌入创建了客户空间,该方法已被用于不同的领域,特别是推荐系统。创建的空间中的客户向量作为特征被馈送到分类模型。此外,为了增加正标签的数量,具有相似特征的行通过使用由嵌入确定的客户相似性被重新标记为正。嵌入方法包括在分类中,它提供了一个更好的代表性的客户的模型,已与其他模型进行了比较。考虑到结果,可以观察到客户嵌入方法对分类模型的成功有积极的影响。
2022-06-30 cs.IR cs.LG
DG^VoiC: Speaker Clustering for Fraud Investigation under Real Call-Centre Conditions
Aston University(阿斯顿大学);Domestic & General(国内与一般)
提出DG^VoiC框架,结合匿名化、语音预处理、滑动窗口嵌入提取和余弦相似度聚类,在真实呼叫中心音频中识别重复说话人,用于欺诈调查,在121条录音上达到96% AMI等高性能。
2026-06-29 cs.AI cs.CL cs.SD
Customer Lifetime Value Prediction Using Embeddings
Imperial College London(帝国理工学院)
我们描述了客户生命周期价值(CLTV)预测系统部署在ASOS.com,全球在线时尚零售商。CLTV预测是电子商务中的一个重要问题,对未来价值的准确估计使零售商能够有效地分配营销支出,识别和培养高价值客户并减少损失风险。ASOS的系统每天提供对每位客户未来价值的估计,是个性化购物体验的基石之一。该领域的最新技术使用大量手工制作的特征和集成回归来预测价值,预测流失和评估客户忠诚度。最近,包括语言,视觉和语音在内的领域通过用从数据中自动学习的特征取代手工制作的特征而显示出巨大的进步。我们详细介绍了部署在ASOS的系统,并表明学习功能表示是一个很有前途的扩展CLTV建模的最新技术。我们提出了一种新的方法来生成嵌入的客户,它解决了不断变化的产品目录的问题,并获得了显着的改进,一个详尽的手工制作的功能。
2017-07-06 cs.CY cs.IR cs.LG
Piecewise-Velocity Model for Learning Continuous-time Dynamic Node Representations
Technical University of Denmark(丹麦技术大学)
网络已经成为许多领域中不可或缺的和普遍存在的结构,用于建模不同实体之间的相互作用,例如社交网络中的友谊或生物图中的蛋白质相互作用。一个主要的挑战是了解这些系统的结构和动力学。虽然网络随着时间的推移而发展,但大多数现有的图表示学习方法仅针对静态网络。尽管已经开发了用于动态网络建模的方法,但是缺乏有效的连续时间动态图表示学习方法,该方法可以在低维度下提供准确的网络表征和可视化,同时明确地考虑突出的网络特征,例如同质性和传递性。在本文中,我们提出了分段速度模型(PiVeM)的连续时间动态网络的表示。它学习动态嵌入,其中节点的时间演化是基于具有分段恒定节点特定速度的潜在距离模型通过分段线性插值来近似的。该模型允许相关的泊松过程的可能性与可扩展的推理不变的事件数的分析听话的表达式。我们进一步施加一个可扩展的克罗内克结构高斯过程之前的动态占社区结构,时间平滑度,和解开(不相关)的潜在嵌入维度最佳学习,以表征网络动态。我们表明,PiVeM可以成功地代表网络结构和动力学在超低二维空间。它在下游任务(如链接预测)中优于相关的最先进方法。总之,PiVeM能够实现易于解释的动态网络可视化和表征,可以进一步提高我们对时间演化网络内在动力学的理解。
2022-12-23 cs.LG cs.SI
That looks interesting! Personalizing Communication and Segmentation with Random Forest Node Embeddings
Brightlands Institute for Smart Society (BISS) - Maastricht University(Brightlands智慧社会研究所 - 马斯特里赫特大学);Center for Actionable Research of the Open University (CAROU)(开放大学可行动研究中心);Computer Science Department, Open University of the Netherlands(荷兰开放大学计算机科学系)
与客户有效沟通对许多营销人员来说是一个挑战,尤其是在对个人长期财务状况至关重要且难以理解的背景下:养老金。在世界各地,参与者不愿意提前考虑他们的养老金,这导致他们缺乏养老金退休的准备[1],[2]。为了让参与者获得有关其预期养老金福利的信息,个性化养老金提供者的电子邮件通信是第一步,也是关键的一步。我们描述了一种机器学习方法来建模电子邮件通讯,以适应参与者的兴趣。建模和分析的数据是从荷兰一家大型养老金提供商发送的时事通讯中收集的,分为两部分。第一部分包括2,228,000名客户,而第二部分包括2018年7月进行的试点研究的数据,有465,711名参与者。在这两种情况下,我们的算法使用随机森林从连续和分类数据中提取特征,然后计算随机森林决策边界的节点嵌入。我们说明了算法的分类任务的有效性,以及它如何可以用来执行数据采掘任务。为了确认结果是有效的多个数据集,我们还说明了我们的算法在基准数据集有关搅动的属性。在所考虑的数据集中,所提出的建模相对于基于随机森林的其他最先进的方法表现出有竞争力的性能,在养老金数据集中实现了最佳的曲线下面积(AUC)(0.948)。对于描述性部分,该算法可以识别可由营销部门使用的客户细分,以更好地将他们的通信目标对准他们的客户。
2020-09-13 cs.AI cs.LG
Modelling graph dynamics in fraud detection with "Attention"
ETH Zurich(苏黎世联邦理工学院);Ebay China(易贝中国)
在在线零售平台上,检测欺诈性账户和交易对于改善客户体验、最大限度地减少损失和避免未经授权的交易至关重要。尽管图上的深度学习有各种不同的模型,但很少有方法被提出来处理异构和动态的图。在本文中,我们提出了DyHGN(动态异构图神经网络)和它的变种捕捉时间和异构信息。我们首先从eBay的注册和交易数据构建动态异构图。然后,我们建立模型的历时实体嵌入和异构图Transformer。我们还使用模型可解释性技术来理解DyHGN-* 模型的行为。我们的研究结果表明,建模图形动态与异构输入需要进行“注意”取决于数据结构,分布和计算成本。
2022-04-22 cs.AI cs.LG cs.SI
Learning Personalized Representations using Graph Convolutional Network
Amazon Alexa(亚马逊Alexa)
生成精确反映客户行为的表示是在Alexa中提供个性化技能路由体验的重要任务。目前,负责将Alexa流量路由到提供商或技能的动态路由(DR)团队依赖于两个功能作为个人信号:绝对流量计数和每个客户每个技能使用的标准化流量计数。他们都没有考虑基于网络的结构,客户和技能之间的互动,其中包含更丰富的信息,客户的喜好。在这项工作中,我们首先建立了一个异构的边缘属性图客户的过去的互动与调用的技能,其中用户的请求(话语)被建模为边缘。然后,我们提出了一个图卷积网络(GCN)为基础的模型,即个性化动态路由特征编码器(PDRFE),生成个性化的客户表示从建立的图。与现有模型相比,PDRFE能够进一步捕获图卷积函数中的上下文信息。我们所提出的模型的性能进行评估的下游任务,缺陷预测,预测的缺陷标签从学习嵌入的客户和他们的触发技能。我们观察到,与基线相比,我们提出的模型的交叉熵度量提高了41%。
2022-07-28 cs.AI cs.LG
Topic Modelling on Consumer Financial Protection Bureau Data: An Approach Using BERT Based Embeddings
UpGrad Education(UpGrad教育);Salesforce India(赛富时印度公司);Brane Enterprises(Brane企业公司);Global Logic
客户的评论和意见对于企业了解用户对产品和服务的看法非常重要。然而,需要分析这些数据以评估与主题/方面相关联的情绪,从而提供有效的客户帮助。LDA和LSA无法捕捉语义关系,并且不特定于任何领域。在这项研究中,我们评估BERTopic,一种新的方法,使用句子嵌入消费者金融保护局(CFPB)的数据生成主题。我们的工作表明,与LDA和LSA相比,BERTopic非常灵活,但提供了有意义且多样化的主题。此外,特定领域的预训练嵌入(FinBERT)产生更好的主题。我们评估的主题一致性得分(cv)和UMass。
2022-05-15 cs.AI cs.CL cs.IR
Recommending Related Products Using Graph Neural Networks in Directed Graphs
Amazon(亚马逊)
相关产品推荐(RPR)是任何电子商务服务成功的关键。在本文中,我们处理推荐相关产品的问题,即,给定一个查询产品,我们希望建议具有与它一起购买的高可能性的前k个产品。我们的问题隐含地假设不对称性,即,对于电话,我们想推荐一个合适的电话壳,但是对于电话壳,它可能不适合推荐电话,因为客户通常只会在拥有电话时才购买电话壳。我们也不局限于补充或替代产品推荐。例如,对于一个特定的夜穿T恤,我们可以建议类似的T恤以及运动裤。因此,相关性的概念对于查询产品是主观的,并且取决于客户偏好。此外,各种因素,如产品价格,可用性导致的选择偏差的存在,在历史购买数据,这需要进行控制,而训练相关的产品推荐模型。这些挑战是相互正交的,认为我们的问题是不平凡的。为了解决这些问题,我们提出了DAEMON,一种新的图神经网络(GNN)为基础的框架相关的产品推荐,其中的问题制定为一个节点推荐任务上的有向产品图。为了捕捉产品的不对称性,我们采用了一个不对称的损失函数,并通过适当地聚合来自其邻域的特征来学习每个产品的对偶嵌入。DAEMON利用多模态数据源(如目录元数据)、浏览行为日志来减轻选择偏差并为冷启动产品生成建议。大量的离线实验表明,DAEMON在节点推荐任务的HitRate和MRR方面比最先进的基线高出30 - 160%。
2022-11-18 cs.IR cs.LG
On the combination of graph data for assessing thin-file borrowers' creditworthiness
The University of Western Ontario(西安大略大学);University of Basque Country(巴斯克大学);University of Chile(智利大学)
薄档案借款人是由于缺乏信用记录而无法确定信用评估的客户;许多研究人员使用图形形式的借款人关系和互动网络作为替代数据源来解决这个问题。传统上,通过手工特征工程来构造网络数据,最近,图神经网络已经出现作为替代方案,但它仍然没有改善传统方法的性能。在这里,我们介绍了一个框架,以改善信用评分模型,通过混合几个图表示学习方法:特征工程,图嵌入,和图神经网络。在这种方法中,我们将他们的输出叠加在一起,以产生一个单一的分数。我们使用一个独特的多源数据集验证了这个框架,该数据集描述了拉丁美洲国家整个人口的关系和信用历史,并将其应用于针对个人和公司的信用风险模型,应用和行为。我们的研究结果表明,图表示学习方法应该作为补充,这些不应该被视为自给自足的方法,因为目前这样做。在AUC和KS方面,我们提高了统计性能,优于传统方法。在公司贷款中,收益要高得多,这证实了评估一家没有银行账户的公司不能只考虑其特征。这些公司与其所有者、供应商、客户和其他公司互动的商业生态系统提供了新的知识,使金融机构能够加强其信誉评估。我们的结果让我们知道何时以及哪个组使用图形数据,以及对性能的预期影响。他们还显示了图形数据在无银行信贷评分问题上的巨大价值,主要是为了帮助公司的银行业务。
2022-09-16 cs.LG cs.SI
Towards Lifelong Learning Embeddings: An Algorithmic Approach to Dynamically Extend Embeddings
University of Wuppertal(伍珀塔尔大学);Breinify Inc.(Breinify公司)
针对电商动态环境中传统嵌入需固定维度且需从头重训的问题,提出一种模块化算法,在保留已学知识的同时动态扩展嵌入输入大小并缓解冷启动问题,初步实验表明其优于传统嵌入。
2024-08-26 cs.IR cs.LG
Modeling Customer Engagement from Partial Observations
Temple University(天普大学)
对于一家公司来说,确定预计在未来一段时间内带来最大利润的客户是非常重要的。尽可能多地了解每个客户对于这种预测至关重要。然而,他们的人口统计数据、偏好和其他可能对建立忠诚度计划有用的信息往往缺失。此外,将不同客户之间的关系建模为网络可能有利于个人层面的预测,因为类似的客户往往具有类似的购买模式。我们解决这个问题,提出了一个强大的框架,结构化回归不足的数据在不断发展的网络与监督表示学习的基础上神经特征嵌入。新的方法相比,几个非结构化和结构化的替代品,用于预测客户行为(例如购买频率和客户票)的用户网络上产生的客户数据库的两个公司从不同的行业。所获得的结果表明,$4\%$ $130\%$的准确性提高了替代品时,所有的客户信息是已知的。此外,我们的方法的鲁棒性被证明时,高达$80\%$的人口统计信息丢失,它是高达几倍更准确的替代品相比,要么忽略的情况下,缺失值或学习他们的特征表示在一个无监督的方式。
2018-03-28 cs.LG stat.ML
MEGAN: A Generative Adversarial Network for Multi-View Network Embedding
The Pennsylvania State University(宾夕法尼亚州立大学)
来自许多真实世界应用的数据可以自然地由多视图网络表示,其中不同的视图编码不同类型的关系(例如,友谊,共同的音乐爱好等)。真实世界中的个体或实体之间。迫切需要一种方法来获得低维,信息保持和典型的非线性嵌入这样的多视图网络。然而,大多数关于多视图学习的工作都集中在缺乏网络结构的数据上,而大多数关于网络嵌入的工作主要集中在单视图网络上。在此背景下,我们考虑多视图网络表示学习问题,即,多视点网络的低维信息保持嵌入的构造问题。具体来说,我们研究了一种新的生成对抗网络(GAN)框架,用于多视图网络嵌入,即ME GAN,旨在保留来自各个网络视图的信息,同时考虑不同视图之间的连接性(因此互补性和相关性)。我们在两个真实世界的多视图数据集上的实验结果表明,使用MEGAN获得的嵌入优于节点分类,链接预测和可视化任务的最先进的方法。
2019-08-20 cs.LG cs.SI
A Topical Approach to Capturing Customer Insight In Social Media
Université Claude Bernard Lyon 1(里昂第一大学);INRIA(法国国家信息与自动化研究所);Université de Lorraine(洛林大学);Lizeo IT(Lizeo IT公司);Université Jean Monnet(圣艾蒂安大学);Sorbonne Université(索邦大学);Université Paul Sabatier(保罗·萨巴蒂埃大学)
针对社交媒体含噪声大数据下的无监督客户洞察提取难题,提出三种基于变分自编码器的非参数主题方法,在基准与汽车行业数据集上性能达SOTA水平,指出主题建模需优化评估指标。
2023-07-14 cs.CL cs.LG stat.ML
Low rank matrix completion and realization of graphs: results and problems
Moscow Institute of Physics and Technology(莫斯科物理技术学院);Moscow State University(莫斯科国立大学);Altay Technical University(阿尔泰国立技术大学);Institute for Information Transmission Problems(信息传输问题研究所);Independent University of Moscow(莫斯科独立大学)
本综述从Netflix评分预测问题出发,推广到已知矩阵元素线性关系的低秩补全,并应用于曲面图嵌入(含旋转系统与模2嵌入),总结相关结果与未解问题。
2025-01-10 cs.DM cs.LG math.CO
Knowledge-aware Complementary Product Representation Learning
Walmart Labs(沃尔玛实验室)
在电子商务推荐系统中,学习能反映互补关系的产品表征是一个核心问题。在缺乏现有方法所依赖的产品关系图的情况下,需要直接从嘈杂和稀疏的客户购买活动中检测互补关系。此外,与相似性等简单关系不同,互补性是不对称和非传递的。表示学习的标准用法只强调一组嵌入,这对于建模这种互补性质是有问题的。我们建议使用知识感知学习与双产品嵌入来解决上述挑战。我们通过多任务学习将上下文知识编码到产品表示中,以减轻稀疏性问题。通过明确建模与用户偏见的条款,我们分开的噪音,客户特定的偏好的互补性。此外,我们采用对偶嵌入框架来捕捉互补性的内在属性,并提供经典分离超平面理论的几何解释。最后,我们提出了一个贝叶斯网络结构,统一的所有组件,其中还包括几个流行的模型作为特例。所提出的方法相比,有利的最先进的方法,在下游的分类和推荐任务。我们还开发了一个实现,可以有效地扩展到具有数百万项和客户的数据集。
2019-11-28 cs.IR cs.LG stat.ML
Deep Contextual Embeddings for Address Classification in E-commerce
Myntra Designs Pvt. Ltd.(Myntra设计私人有限公司)
印度等发展中国家的电子商业客户在输入送货地址时往往没有固定的格式。解析这样的地址是具有挑战性的,因为缺乏固有的结构或层次结构。必须了解地址的语言,以便货件可以无延迟地发送。在本文中,我们提出了一种新的方法来理解客户地址派生的动机,从自然语言处理(NLP)的最新进展。我们还制定了不同的预处理步骤的地址使用编辑距离和语音算法的组合。然后,我们使用Word 2 Vec与TF-IDF,Bi-LSTM和基于BERT的方法来创建地址的矢量表示。我们比较了这些方法与北印度和南印度城市的子区域分类任务。通过实验,我们证明了广义的RoBERTa模型的有效性,在一个大的地址语料库的语言建模任务的预训练。我们提出的RoBERTa模型实现了约90%的分类准确率,最小的文本预处理子区域分类任务优于所有其他方法。一旦经过预训练,RoBERTa模型就可以针对供应链中的各种下游任务进行微调,如密码建议和地理编码。该模型推广,以及这样的任务,即使有限的标记数据。据我们所知,这是第一个同类研究提出了一种新的方法来理解客户地址在电子商业领域的预训练语言模型和微调他们为不同的目的。
2020-07-06 cs.CL cs.IR cs.LG
MRNet-Product2Vec: A Multi-task Recurrent Neural Network for Product Embeddings
Core Machine Learning, Amazon(亚马逊核心机器学习部门)
亚马逊、阿里巴巴、Flipkart和沃尔玛等电子商务网站销售数十亿种产品。涉及产品的机器学习(ML)算法通常用于改善客户体验并增加收入,例如,产品相似性、推荐和价格估计。在训练ML算法之前,需要将产品表示为特征。在本文中,我们提出了一种称为MRNet-Product 2 Vec的方法,用于在电子商务生态系统中创建产品的通用嵌入。我们学习了一个密集和低维的嵌入,其中与产品相关的各种信号被显式地注入到其表示中。我们训练一个判别式多任务双向循环神经网络(RNN),其中输入是通过双向RNN馈送的产品标题,并且在输出处,预测对应于15个不同任务的产品标签。任务集包括产品的几个内在特征,如价格、重量、尺寸、颜色、受欢迎程度和材料。我们评估建议的嵌入定量和定性。我们证明,他们几乎是一样好稀疏和极高维TF-IDF表示,尽管有不到3%的TF-IDF尺寸。我们还使用多模态自动编码器比较来自不同语言地区的产品,并显示初步但有前途的定性结果。
2017-09-21 cs.AI cs.LG stat.ML
Extreme Multi-label Learning for Semantic Matching in Product Search
Amazon(亚马逊)
我们考虑产品搜索中的语义匹配问题:给定一个客户查询,从一个大小为1亿或更多的巨大目录中检索所有语义相关的产品。由于大的目录空间和实时延迟的限制,语义匹配算法不仅需要高召回率,而且还需要具有低延迟。传统的词汇匹配方法(例如,Okapi-BM 25)利用倒排索引来实现快速推理时间,但未能捕获查询和产品之间的行为信号。相比之下,基于嵌入的模型从客户行为数据中学习语义表示,但由于延迟限制,性能通常受到浅层神经编码器的限制。语义产品搜索可以被看作是一个极限多标签分类(XMC)问题,其中客户查询是输入实例,产品是输出标签。在本文中,我们的目标是提高语义产品搜索使用基于树的XMC模型,推理时间复杂度是对数的产品数量。我们考虑层次线性模型与n-gram功能的快速实时推理。定量地,我们的方法保持了每个查询1.25毫秒的低延迟,并实现了Recall@100的65%的改进(60.9% vs. 36.8%),而不是基于嵌入的竞争DSSM模型。我们的模型是强大的权重修剪不同的阈值,它可以灵活地满足不同的系统要求的在线部署。质量,我们的方法可以检索产品,补充现有的产品搜索系统,并增加多样性的匹配集。
2021-06-23 cs.IR cs.LG
Word Embedding-based Text Processing for Comprehensive Summarization and Distinct Information Extraction
School of Systems and Enterprises, Stevens Institute of Technology(史蒂文斯理工学院系统与企业学院)
在本文中,我们提出了两个自动化的文本处理框架,专门设计用于分析在线评论。第一个框架的目标是通过提取基本句子来总结评论数据集。这是通过将句子转换为数字向量并使用基于其相似性水平的社区发现算法对其进行聚类来执行的。然后,测量每个句子的相关性得分,以确定其在每个聚类中的重要性级别,并将其分配为该社区的标签。第二个框架是基于一个问答神经网络模型训练,以提取多个不同的问题的答案。收集的答案被有效地聚类,以找到客户可能提出的单个问题的多个不同答案。拟议的框架比现有的审查处理解决方案更全面。
2020-04-21 cs.CL cs.LG
Representation Learning on Large Non-Bipartite Transaction Networks using GraphSAGE
NatWest AI Research(NatWest人工智能研究);NatWest Group(NatWest集团)
本文展示了GraphSAGE在银行非二分异构交易网络中的实际应用,通过生成节点嵌入揭示可解释聚类,并提升洗钱骡子检测模型对高风险账户的优先排序能力。
2025-09-12 cs.AI cs.LG cs.SI
CXSimulator: A User Behavior Simulation using LLM Embeddings for Web-Marketing Campaign Assessment
CyberAgent, Inc.(CyberAgent公司)
本文提出CXSimulator框架,利用大语言模型嵌入表示用户行为事件并预测事件转移,从而模拟用户对新营销活动的反应,以低成本评估未测试的网络营销活动效果。
2024-07-31 cs.LG cs.SY eess.SY
FedGAT: A Privacy-Preserving Federated Approximation Algorithm for Graph Attention Networks
Carnegie Mellon University(卡内基梅隆大学)
针对图注意力网络联邦训练中跨客户端边的隐私与通信开销问题,提出FedGAT算法,仅需一轮预训练通信即可近似GAT行为,在保证近似误差界限的同时实现与集中式GAT相当的准确率。
2024-12-20 cs.DC cs.LG
Personalized Product Search Ranking: A Multi-Task Learning Approach with Tabular and Non-Tabular Data
Walmart Global Tech(沃尔玛全球技术)
本文提出一种基于多任务学习的个性化产品搜索排序模型架构,整合表格与非表格数据并利用预训练TinyBERT,结合可扩展相关性标注机制,显著提升了模型性能。
2025-08-13 cs.AI cs.CL cs.IR
To Start Up a Start-Up$-$Embedding Strategic Demand Development in Operational On-Demand Fulfillment via Reinforcement Learning with Information Shaping
The University of Tulsa(塔尔萨大学);Otto von Guericke Universität Magdeburg(马格德堡奥托·冯·格里克大学);The University of Iowa(爱荷华大学)
本文针对按需运输初创公司如何在新市场中建立客户群的问题,提出将战略性需求发展嵌入实时履约运营的两步方法,通过分析性见解塑造强化学习训练数据,实验证明该方法能有效促进需求增长。
2025-04-08 cs.LG