Enhancing Tail NFT Recommendation via Dependency-Aware Extreme Multi-Label Learning
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
With the rise of Web3, Non-Fungible Tokens (NFTs) have become a new class of digital assets, driving demand for large-scale NFT recommendation systems. Each NFT can be associated to a rich set of semantic, stylistic, and thematic labels, forming a highly complex label space. Similar to e-commerce platforms where detailed product labels enable personalized recommendations, such semantic dependencies between labels can potentially enhance NFT recommendation performance. Thus, NFT recommendation can be naturally formulated as an extreme multi-label (XML) classification problem. Many existing probabilistic label tree (PLT)-based approaches address XML problem by recursively partitioning the label space, which greatly alleviates the demands on expensive computer resources. Yet, the highly skewed distribution of labels in datasets in XML makes tail labels more challenging to predict than head labels. In this paper, Our preliminary analysis reveals that inherent label dependencies can be leveraged to improve tail label recommendations for NFTs. We propose ChainTail, a dependency-aware framework that enhances PLT-based NFT label partitioning and prediction re-scoring. It includes: (1) a Dependency-aware partition module that partitions highly dependent NFT labels into subsets. (2) a Dependency-aware ReScore module that re-ranks prediction scores of labels to eliminate the label-priors. Our experimental results show that ChainTail boosts tail label recommendation on widely used item recommendation datasets.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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