WikiEdge:ArXiv速遞/2025-03-24

摘要

• 原文標題：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond
• 中文標題：標籤推薦全面綜述：從傳統方法到深度學習及未來方向
• 發佈日期：2025-03-24 13:40:36+00:00
• 作者：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar
• 分類：cs.IR
• 原文連結：http://arxiv.org/abs/2503.18669v1

中文摘要：社交媒體平台上用戶生成內容的指數級增長給信息管理帶來了重大挑戰，尤其在內容組織、檢索和發現方面。作為基礎分類機制，話題標籤在提升內容可見性和用戶參與度方面發揮着關鍵作用。然而，開發準確且魯棒的話題標籤推薦系統仍是一個複雜且不斷演進的研究難題。該領域現有綜述在範圍和時效性上存在局限，僅聚焦特定平台、方法或時間段。為填補這一空白，本文對話題標籤推薦系統進行系統分析，從多維度全面審視最新進展。我們研究了單模態與多模態方法、不同問題表述、過濾策略，以及從傳統基於頻率的模型到先進深度學習架構的方法演進。此外，我們批判性評估了性能評估範式，包括定量指標、定性分析和混合評估框架。分析揭示了向基於Transformer的深度學習模型的範式轉變，這類模型利用上下文和語義特徵實現更優的推薦準確性。針對數據稀疏性、冷啟動場景、多義性和模型可解釋性等關鍵挑戰，結合推文分類、情感分析和內容流行度預測等實際應用進行了深入探討。通過整合來自不同方法和平台視角的見解，本綜述構建了當前研究的結構化分類體系，指明未解決的空白領域，並為開發適應用戶需求的推薦系統提出未來方向。

摘要

• 原文標題：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays
• 中文標題：磁-$ν$實驗：利用$^{241}$Pu的$β^-$衰變搜尋重中性輕子
• 發佈日期：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
• 分類：hep-ex, nucl-ex
• 原文連結：http://arxiv.org/abs/2503.18350v1

中文摘要：我們展示了作為Magneto-ν實驗組成部分的$^{241}$Puβ衰變能譜，該實驗旨在搜尋keV量級重中性輕子(HNLs)。通過金屬磁量熱計(MMCs)測量了總計2億次β衰變事件，這是迄今對$^{241}$Pu獲得的最高統計精度。採用原位α校準測得$^{241}$Puβ衰變的端點能量為21.52(2)keV。通過二次形狀修正因子$C(w) = 1 - 1.931w + 0.940w^2$描述了$^{241}$Pu第一類禁戒非唯一躍遷的微分衰變率。基於這些高統計量能譜，我們對10.5keV惰性中微子與電子中微子的混合強度設定上限$|U_{e4}|^2 < 2 \times 10^{-3}$（HNL質量為10.5keV時）。