Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

MMoE: Phát hiện Spoiler mạnh mẽ với thông tin đa phương thức và hỗn hợp chuyên gia có nhận thức về miền

Created by
  • Haebom

Tác giả

Zinan Zeng, Sen Ye, Zijian Cai, Heng Wang, Yuhan Liu, Haokai Zhang, Minnan Luo

Phác thảo

Bài báo này đề xuất MMoE, một mạng lưới đa phương thức để phát hiện spoiler trên các trang web đánh giá phim trực tuyến. Không giống như các phương pháp hiện có chỉ tập trung vào nội dung văn bản của các bài đánh giá, MMoE tận dụng thông tin đa phương thức bằng cách trích xuất các đặc trưng đồ thị, văn bản và siêu dữ liệu từ mạng lưới người dùng-phim, nội dung văn bản của các bài đánh giá và siêu dữ liệu của chúng. Để xử lý ngôn ngữ spoiler theo từng thể loại, MMoE áp dụng kiến ​​trúc Hỗn hợp Chuyên gia để tăng cường độ mạnh mẽ, và một lớp hợp nhất chuyên gia tích hợp các đặc trưng từ các góc độ khác nhau để dự đoán. Kết quả thử nghiệm chứng minh rằng MMoE vượt trội hơn các phương pháp tiên tiến lần lượt 2,56% và 8,41% về độ chính xác và điểm F1 trên hai tập dữ liệu phát hiện spoiler được sử dụng rộng rãi, thể hiện độ mạnh mẽ và hiệu suất tổng quát hóa vượt trội. Mã nguồn có sẵn trên GitHub.

Takeaways, Limitations

•
Takeaways:
◦
Chúng tôi đã cải thiện hiệu suất phát hiện spoiler bằng cách tận dụng thông tin đa phương thức (đồ thị, văn bản và siêu dữ liệu).
◦
Chúng tôi đã cải thiện hiệu suất mạnh mẽ và tổng quát hóa chống lại các phần tiết lộ nội dung theo từng thể loại thông qua kiến ​​trúc Hỗn hợp chuyên gia.
◦
Nó đạt được hiệu suất vượt trội hơn hẳn so với các mẫu máy có hiệu suất cao nhất hiện có.
◦
Mã này đã được công khai để có thể tái tạo.
•
Limitations:
◦
Có thể có sự phụ thuộc vào dữ liệu từ các trang web đánh giá phim trực tuyến cụ thể. Cần nghiên cứu thêm để xác định khả năng áp dụng cho các nền tảng khác.
◦
Có thể cần nghiên cứu thêm để tối ưu hóa số lượng chuyên gia hoặc cơ cấu của Nhóm chuyên gia.
◦
Chưa có đánh giá hiệu suất dựa trên dữ liệu đánh giá từ nhiều ngôn ngữ hoặc nền văn hóa khác nhau.
👍
Made with Slashpage