Exploring Mouse Movements for Inferring Query Intent

在查询分类的研究路途中,大多数都集中在日志的研究中。今天看到一个比较新奇的想法是用鼠标轨迹来作为特征进行区分。论文题目是《Exploring Mouse Movements for Inferring Query Intent》,翻译过来是《基于鼠标轨迹的查询意图推断》,作者是Qi Guo

 

摘要

点击信息已经很成功的用在了用户的查询意图推断中,但是还是有很多的噪声和模糊性。本论文开发了一种互补的而且更加名感的特征:鼠标运动,来识别导航类和信息类。我们的假设使鼠标运动能够提供更多的有关用户交互的信息。

 

实验设置

首先需要解决的是如何能够得到用户的运动轨迹。这个是通过firefox中开发插件来做到的。鼠标移动的时候我们通过采样来得到鼠标的轨迹坐标。

 

结果和讨论

因为对于一个查询集合,我们有了一些鼠标轨迹的数据,那么我们可以重新绘制出来这些曲线。然后自己模仿这些轨迹来人工对查询进行分类。论文中有一些截图,比如导航类和信息类。可以明显的看到,导航类的查询的轨迹比较的简单,轨迹的长度的均值比较小,横纵坐标的范围相对来说也比较小。其实为了区分这两种查询的类别,就需要统计出比如轨迹长度、范围等的特征在两个类别中的分布,看是否有很明显的差别。论文中提供的人工分类的结果和统计信息显式,两个类别中的确有明显的差别。最后通过一个对比实验也验证了这个方法在准确率上面的优越性。

 

这个论文可能现在还没有用到自动分类上面,但是提供了一种新的思路来作为特征。

回答: 本文探索了将普通的Vision Transformer (ViT)作为目标检测的骨干网络。通过对ViT架构进行微调,而无需重新设计分层骨干进行预训练,我们的普通骨干检测器可以取得竞争性的结果。研究发现,只需从单尺度特征图构建简单的特征金字塔(无需常见的FPN设计),并使用窗口注意(无需移动)辅助少量的跨窗口传播块即可。通过使用预先训练的纯ViT主干作为Masked Autoencoders (MAE),我们的检测器ViTDet可以与之前基于分层骨干的领先方法竞争,在COCO数据集上达到61.3 APbox的性能。我们希望这项研究能够引起对普通骨干检测器的关注。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* [论文阅读-ViTDet:Exploring Plain Vision Transformer Backbones for Object Detection](https://blog.csdn.net/qq_37662375/article/details/126675811)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [ViTDet:Exploring Plain Vision Transformer Backbonesfor Object Detection(arXiv 2022)](https://blog.csdn.net/qq_54828577/article/details/127262932)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值