-
题名基于细粒度标签的在线视频广告投放机制研究
被引量：1
- 1
-
-
作者
陆枫
王子锐
廖小飞
金海
-
机构
服务计算技术与系统教育部重点实验室(华中科技大学)
集群与网格计算湖北省重点实验室(华中科技大学)
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2014年第12期2733-2745,共13页
-
基金
国家科技重大专项项目(2010ZX03004-001-03)
教育部中国移动科研基金项目(MCM20122041)
-
文摘
随着互联网的发展,对精彩视频点进行标注、评论和分享成为趋势.这类群体智慧信息的有效利用将有助于提升视频广告的投放效果.首先将用户提供的细粒度视频标签收集起来,通过视频时间轴加权计算生成视频热点,进而利用视频热点描述信息基于分类匹配的思想来选取广告,最后找出视频热点内用户对视频关注度下降幅度最大的时间点投放广告.实验证明,在数量为百万级的视频集合中,该方法选取的广告与视频的相关性达到85%左右.用户在广告播放过程中关闭广告的概率小于10%.与目前广泛应用的广告投放方式相比,广告的平均播放时间能提升21.5%,广告点击率能从0.65%提高至0.73%.
-
关键词
在线视频广告
细粒度视频标签
视频热点
机器学习
定向广告
-
Keywords
online video advertising
fine-grained video tags
video hotspots
machine learning
target advertising
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于标签增强的细粒度文本分类
被引量：1
- 2
-
-
作者
郭瑞强
杨世龙
贾晓文
魏谦强
-
机构
河北师范大学计算机与网络空间安全学院
河北师范大学河北省供应链大数据分析与数据安全工程研究中心
河北师范大学河北省网络与信息安全重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第21期134-141,共8页
-
基金
2023年度河北省引才引智创新平台项目(606080123003)。
-
文摘
文本分类是自然语言处理的一个重要分支,旨在通过训练给数据标注标签。但现有的方法仅仅考虑了标签和文本之间最浅显的语义关系,并没有考虑标签本身的额外语义信息,导致文本分类的准确率难以提升。针对此问题,提出一种基于标签增强的细粒度文本分类模型(FGTC),它根据已知信息对标签进行解释,丰富了标签和文档之间的语义联系。此外,FGTC进一步建模标签中短语的序列关系,并采用单词级别的细粒度标签注意力方法,充分挖掘了标签的有效信息。在四个基准数据集上进行了对比实验,结果表明,该模型在文本分类任务上的准确率得到有效提升。
-
关键词
文本分类
标签增强
细粒度标签注意力
-
Keywords
text classification
label interpretation
fine-grained label attattention
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名面向语义增强的在线哈希方法
- 3
-
-
作者
赵志杰
康潇
张雪凝
王少华
刘兴波
聂秀山
-
机构
山东建筑大学计算机与人工智能学院
山东大学软件学院
-
出处
《数据采集与处理》
北大核心
2025年第4期1096-1106,共11页
-
文摘
传统的基于批处理的哈希学习方法通常无法满足大规模流数据实时在线检索的需求。在线哈希学习其核心在于无需重复访问原始累积数据,只为新增数据学习哈希码,并实时更新哈希函数以适应新旧数据的变化。现有在线哈希方法仍面临诸多挑战,如类间关系挖掘不足导致的语义偏移和新旧数据关联不足导致的遗忘问题。针对这些问题,本文提出了一种新的在线哈希学习方法——面向语义增强的在线哈希(Online semantic enhancement hashing,OSEH)。该方法通过设计三重矩阵分解框架,深入挖掘特征和标签间的交互关系,以生成反映类间关系的细粒度标签矩阵。同时,结合标签嵌入和成对相似性保持技术,将增强的语义信息有效融入哈希学习过程,优化哈希码的生成和哈希函数的实时更新。在大规模检索数据集上的实验结果表明,本文所提方法显著提升了在线哈希学习的性能。
-
关键词
在线检索
监督在线哈希
三重矩阵分解
细粒度标签
-
Keywords
online retrieval
supervised online hashing
tri-matrix factorization
fine-grained labels
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于双图注意力的多领域口语语言理解联合模型
- 4
-
-
作者
贾旭
彭敏
-
机构
武汉大学计算机学院
-
出处
《中文信息学报》
CSCD
北大核心
2023年第10期76-85,共10页
-
基金
科技创新2030-“新一代人工智能”重大项目(2021ZD0113304)
国家自然科学基金(62072346)
湖北省重点研发计划项目(2021BBA099、2021BBA029)。
-
文摘
多领域口语语言理解包括多意图识别和槽填充两个子任务,现有研究通过构建语句中的意图和槽之间的关联提升模型的表现。然而现有研究将多领域场景下的意图和槽看作相互独立的标签,忽视了标签之间领域内和领域间的结构关联。该文提出细粒度标签图和领域相关图的双图注意力联合模型。具体来说,细粒度标签图将意图和槽标签分成细粒度分片,建模分片之间的结构性关联和上下文表示的语义特征。领域相关图通过标签间的领域信息,建模预测意图和对应领域内槽的关联,减少图中的冗余关联。实验结果表明,在两个公开的数据集上,该文提出的模型均优于基准模型。
-
关键词
多领域口语语言理解
多意图识别
细粒度标签图
领域相关图
-
Keywords
multi-domain spoken language understanding
multi-intent detection
fine-grained label graph
domain-related graph
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
