WikiEdge:ArXiv速递/2025-03-24：修订间差异
Created page by Carole |
Updated page by Carole |
||
| 第7行： | 第7行： | ||
*'''原文链接'''：http://arxiv.org/abs/2503.18669v1 | *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 | ||
'''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒性|鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面审视最新进展。我们研究了[[单模态]]与[[多模态]]方法、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的方法演进。此外，我们批判性评估了[[性能评估]]范式，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 | '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒性|鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面审视最新进展。我们研究了[[单模态]]与[[多模态]]方法、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的方法演进。此外，我们批判性评估了[[性能评估]]范式，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 | ||
== 摘要 == | |||
* '''原文标题'''：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays | |||
* '''中文标题'''：磁-$ν$实验：利用$^{241}$Pu的$β^-$衰变搜寻重中性轻子 | |||
* '''发布日期'''：2025-03-24 05:21:32+00:00 | |||
* '''作者'''：C. Lee, X. Zhang, A. Kavner, T. Parsons-Davis, D. Lee, S. T. P. Boyd, M. Loidl, X. Mougeot, M. Rodrigues, M. K. Lee, J. Song, R. Wood, I. Jovanovic, G. B. Kim | |||
* '''分类'''：hep-ex, nucl-ex | |||
*'''原文链接'''：http://arxiv.org/abs/2503.18350v1 | |||
'''中文摘要'''：我们展示了作为[[Magneto-ν实验]]组成部分的$^{241}$[[Pu]][[β衰变]][[能谱]]，该实验旨在搜寻[[keV]]量级[[重中性轻子]]([[HNLs]])。通过[[金属磁量热计]]([[MMCs]])测量了总计2亿次[[β衰变]]事件，这是迄今对$^{241}$[[Pu]]获得的最高统计精度。采用原位[[α]][[校准]]测得$^{241}$[[Pu]][[β衰变]]的[[端点能量]]为21.52(2)[[keV]]。通过二次形状修正因子$C(w) = 1 - 1.931w + 0.940w^2$描述了$^{241}$[[Pu]][[第一类禁戒]][[非唯一跃迁]]的[[微分衰变率]]。基于这些高统计量[[能谱]]，我们对10.5[[keV]][[惰性中微子]]与[[电子中微子]]的[[混合强度]]设定上限$|U_{e4}|^2 < 2 \times 10^{-3}$（[[HNL]]质量为10.5[[keV]]时）。 | |||
2025年3月25日 (二) 06:57的版本
摘要
- 原文标题：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond
- 中文标题：标签推荐全面综述：从传统方法到深度学习及未来方向
- 发布日期：2025-03-24 13:40:36+00:00
- 作者：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar
- 分类：cs.IR
- 原文链接：http://arxiv.org/abs/2503.18669v1
中文摘要：社交媒体平台上用户生成内容的指数级增长给信息管理带来了重大挑战，尤其在内容组织、检索和发现方面。作为基础分类机制，话题标签在提升内容可见性和用户参与度方面发挥着关键作用。然而，开发准确且鲁棒的话题标签推荐系统仍是一个复杂且不断演进的研究难题。该领域现有综述在范围和时效性上存在局限，仅聚焦特定平台、方法或时间段。为填补这一空白，本文对话题标签推荐系统进行系统分析，从多维度全面审视最新进展。我们研究了单模态与多模态方法、不同问题表述、过滤策略，以及从传统基于频率的模型到先进深度学习架构的方法演进。此外，我们批判性评估了性能评估范式，包括定量指标、定性分析和混合评估框架。分析揭示了向基于Transformer的深度学习模型的范式转变，这类模型利用上下文和语义特征实现更优的推荐准确性。针对数据稀疏性、冷启动场景、多义性和模型可解释性等关键挑战，结合推文分类、情感分析和内容流行度预测等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述构建了当前研究的结构化分类体系，指明未解决的空白领域，并为开发适应用户需求的推荐系统提出未来方向。
摘要
- 原文标题：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays
- 中文标题：磁-$ν$实验：利用$^{241}$Pu的$β^-$衰变搜寻重中性轻子
- 发布日期：2025-03-24 05:21:32+00:00
- 作者：C. Lee, X. Zhang, A. Kavner, T. Parsons-Davis, D. Lee, S. T. P. Boyd, M. Loidl, X. Mougeot, M. Rodrigues, M. K. Lee, J. Song, R. Wood, I. Jovanovic, G. B. Kim
- 分类：hep-ex, nucl-ex
- 原文链接：http://arxiv.org/abs/2503.18350v1
中文摘要：我们展示了作为Magneto-ν实验组成部分的$^{241}$Puβ衰变能谱，该实验旨在搜寻keV量级重中性轻子(HNLs)。通过金属磁量热计(MMCs)测量了总计2亿次β衰变事件，这是迄今对$^{241}$Pu获得的最高统计精度。采用原位α校准测得$^{241}$Puβ衰变的端点能量为21.52(2)keV。通过二次形状修正因子$C(w) = 1 - 1.931w + 0.940w^2$描述了$^{241}$Pu第一类禁戒非唯一跃迁的微分衰变率。基于这些高统计量能谱，我们对10.5keV惰性中微子与电子中微子的混合强度设定上限$|U_{e4}|^2 < 2 \times 10^{-3}$（HNL质量为10.5keV时）。