Informática - Recuperación de información

Descubre cómo nuevos enfoques mejoran la experiencia del usuario en los sistemas de recomendación.

Este sistema ayuda a los asistentes virtuales a captar mejor las preferencias de los usuarios.

Descubre cómo la búsqueda personalizada mejora los resultados para adaptarse a las necesidades individuales de cada usuario.

La investigación muestra que el entrenamiento de pesas efectivo usa menos documentos relevantes en la fusión de datos.

Un nuevo método mejora las recomendaciones de productos usando información visual y textual.

Los sistemas de recomendación multimedia ayudan a los usuarios a encontrar contenido a medida en un mundo digital.

Una mirada completa a la alucinación en la IA y su impacto en la precisión.

Una experiencia única de música en vivo que mezcla la interacción del público y la tecnología.

La búsqueda por píxeles ofrece una búsqueda de imágenes precisa al centrarse en píxeles específicos.

Mejorando la eficiencia en revisiones sistemáticas a través de métodos innovadores de generación de consultas.

Este proyecto analiza cómo dos acciones suceden juntas en videos.

Analizando cómo los sistemas de recomendación afectan nuestro consumo de noticias y la fragmentación que resultante.

Un método para mejorar el reconocimiento de entidades nombradas en consultas de búsqueda en chino.

Examinando métodos de aprendizaje activo para mejorar el entrenamiento del clasificador PLM bajo restricciones de presupuesto.

Un método para evaluar cómo los medios de comunicación caracterizan a las figuras públicas.

Un marco para detectar anomalías en los registros analizando las relaciones entre eventos.

Un nuevo marco para el análisis eficiente de currículums multilingües en los procesos de contratación.

Un nuevo método para entrenar sistemas de recuperación conversacional con datos limitados.

iHAS mejora las predicciones y la eficiencia en los sistemas de recomendación a través de la selección personalizada de dimensiones.

Una mirada a los recomendadores conversacionales usando diálogos reales para mejores sugerencias.

Explorando cómo la tecnología moldea nuestras experiencias diarias y posibilidades futuras.

MMEAD mejora el enlace de entidades para obtener mejores resultados de búsqueda en la recuperación de información.

Este estudio evalúa cuándo las expansiones mejoran o perjudican el rendimiento en la recuperación de información.

Un nuevo método mejora cómo los servicios de streaming recomiendan películas según géneros.

Examinando las lagunas en la reproducibilidad de los grafos de conocimiento y su impacto en la investigación.

La investigación revela cómo las etiquetas de postura pueden promover resultados de búsqueda diversos.

Un marco para mejorar la privacidad en los sistemas de recomendación mientras se aseguran sugerencias precisas.

Un nuevo modelo mejora la búsqueda y las recomendaciones para usuarios con datos limitados.

Este método mejora las recomendaciones mientras protege la privacidad de los datos del usuario.

Explorando maneras efectivas de elegir modelos de recuperación densa para datos no etiquetados.

Explorando la precisión y fiabilidad de las respuestas de ChatGPT.

Este artículo habla sobre el sesgo de longitud de cuadro en la recuperación de texto-video y un nuevo enfoque para resolverlo.

Esta investigación trata sobre la equidad en las recomendaciones, mejorando la visibilidad de los items fríos.

Descubre cómo los LLMs mejoran los sistemas de recomendación secuenciales para ofrecer mejores sugerencias a los usuarios.

Examinando métricas de equidad en diseños de cuadrícula para sistemas de recomendación.

Un nuevo modelo mejora las recomendaciones al combinar texto, imágenes y precios.

Esta investigación trata sobre el sesgo en los sistemas de recuperación de documentos usando estimaciones de incertidumbre.

D-Train ofrece un enfoque sencillo para los desafíos de aprendizaje multi-dominio.

Explorando soluciones para equilibrar la carga de anuncios en plataformas de redes sociales.

Los factores no observados pueden distorsionar los datos, llevando a conclusiones erróneas sobre las recomendaciones.