A Neuro-Symbolic Learning System for Analyzing Listing Images in the Short-Term Rental Industry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we propose the automation of listing image related tasks in the short-term rental industry using neuro-symbolic AI system. The tasks performed by the system are the selection of main “hero” images from the pool of images available for each listing, and the recommendation of content-based image enhancement such as reducing clutter, incorporating accent colors, etc. Automating these tasks using approaches that rely exclusively on deep learning (end-to-end trained neural networks) are unable to produce accurate, explainable models due to two main issues: first, the lack of labelled training data available across the many segments (different geographical locations and listing types/sizes) that comprise the market. Second, the black box nature of neural networks makes it difficult to leverage knowledge that has been previously learnt and apply it to new rental market segments. To overcome these limitations, we used a hybrid system with a neural component for identifying features (symbols/objects) in images, and a symbolic component for reasoning over those symbols to produce a logic knowledgebase. The inclusion of a symbolic reasoning component produces a more explainable and market segment transferable model due to the creation of a knowledgebase that captures the abstract concepts amongst image features that drive listing click-through performance. This logic can be inspected, decomposed, and queried to produce explainable image recommendations, predict the image that will perform best in the market as hero images, and provide useful background knowledge when operating the system in new market segments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle