Towards Real-World Stickers Use: A New Dataset for Multi-Tag Sticker Recognition

在现实世界的对话中，贴纸的多样性和歧义性常常会因上下文的不同而导致不同的解释，这需要全面理解贴纸并支持多标记的要求。为了解决这个挑战，我们介绍了StickerTAG，这是第一个包含收集的标记集合（共461个标记）和13,571个贴纸-标记对的多标记贴纸数据集，旨在提供更深入的贴纸理解。由于贴纸标记通常是细粒度属性感知的，因此为贴纸识别多个标记变得特别具有挑战性。因此，我们提出了一种注意力属性导向提示学习方法，即Att$^2$PL，以细粒度的方式捕捉贴纸的信息特征，更好地区分标记。具体而言，我们首先应用属性导向描述生成（ADG）模块从四个属性中获取贴纸的描述。然后，设计了一个局部重新关注（LoR）模块来感知局部信息的重要性。最后，我们使用提示学习来引导识别过程，并采用置信度惩罚优化来惩罚置信输出分布。广泛的实验表明，我们的方法对于所有常用指标都取得了令人鼓舞的结果。

本论文旨在解决贴纸标签多重性和多义性带来的挑战，提出了一个包含461个标签和13,571个贴纸-标签对的多标签贴纸数据集StickerTAG，并提出了一种Att^2PL方法来捕捉贴纸的信息特征，以更好地区分标签。

Att^2PL方法包括Attribute-oriented Description Generation模块、Local Re-attention模块和prompt learning，通过fine-grained的方式捕捉贴纸的信息特征，以更好地识别多标签贴纸。

论文使用了一个新的多标签贴纸数据集StickerTAG，并提出了一种Att^2PL方法，相比当前领域的研究有创新性。实验结果表明，该方法在所有常用指标上均取得了令人鼓舞的结果。

在这个领域中，最近还有一些相关的研究，如《Multi-Label Learning with Millions of Labels: Recommending Advertiser Bid Phrases for Web Pages》和《A Survey on Multi-Label Learning》等。