Core Concepts
モデルは、一貫性と差異を効果的に活用して、レビューの有用性を予測する。
Abstract
最新の研究によると、ユーザー生成テキストや視覚データから有益なレビューを特定するタスクが注目されています。現在の多様なアノテーションに依存する既存手法は、異なる多様なアノテーションを追加するプロセスが時間と労力を要します。この課題に対処するため、自己生成スキームを提案しました。このアプローチでは、グローバルな多様な相互作用タスクと別々のクロスモーダル相互作用サブタスクの両方を同時にトレーニングできます。実験結果は、疑似ラベルの効果性を確認し、当社のアプローチが2つの広く利用可能なベンチマークデータセットで以前のテキストおよびマルチモーダル基準モデルを上回り、MRHP問題への解決策を提供しています。
Stats
ラベル4.0である手動注釈付けラベルは4.0です。
予測値は3.675です。
SSP-Labels(自己監督型疑似ラベル)が1.674です。
Quotes
"一貫性"と"違い"を効果的に活用して、レビューの有用性を予測します。"
"自動生成された疑似ラベルは知識共有や異文化理解に役立ちます。"