Key points are not available for this paper at this time.
Die automatische Bündelerstellung ist ein entscheidender vorhergehender Schritt in verschiedenen bündelbewussten Online-Diensten. Frühere Ansätze sind größtenteils darauf ausgelegt, die Bündelstrategie bestehender Bündel zu modellieren. Es ist jedoch schwierig, ein umfangreiches und gut kuratiertes Bündel-Dataset zu erwerben, insbesondere für Plattformen, die zuvor keine Bündeldienste angeboten haben. Selbst für Plattformen mit ausgereiften Bündeldiensten gibt es immer noch viele Artikel, die in wenigen oder sogar null Bündeln enthalten sind, was zu Herausforderungen durch Sparsamkeit und Kaltstart in den Modellen zur Bündelerstellung führt. Um diese Probleme zu lösen, zielen wir darauf ab, multimodale Merkmale, benutzerspezifische Rückmeldesignale auf Artikel-Ebene und die Informationszusammensetzung von Bündeln zu nutzen, um eine umfassende Formulierung der Bündelerstellung zu erreichen. Diese Formulierung stellt jedoch zwei neue technische Herausforderungen dar: 1) wie man effektive Darstellungen lernt, indem man mehrere Merkmale optimal vereinheitlicht, und 2) wie man die Probleme der fehlenden Modalität, von Rauschen und von Sparsamkeit, die durch die unvollständigen Abfragebündel entstehen, angeht. In dieser Arbeit schlagen wir zur Bewältigung dieser technischen Herausforderungen eine kontrastive Lernverbesserung der hierarchischen Kodierungs-Methode (CLHE) vor. Insbesondere nutzen wir Selbstaufmerksamkeitsmodule, um die multimodalen und mehrwertigen Merkmale zu kombinieren, und nutzen dann Lernen auf Artikel- und Bündel-Ebene zur Stärkung des Darstellungslernens, um somit die Probleme der fehlenden Modalität, des Rauschens und der Sparsamkeit zu bekämpfen. Umfangreiche Experimente an vier Datensätzen in zwei Anwendungsbereichen zeigen, dass unsere Methode eine Reihe von SOTA-Methoden übertrifft. Der Code und der Datensatz sind verfügbar unter https://github.com/Xiaohao-Liu/CLHE.
Ma et al. (Mon,) untersuchten diese Frage.