【论文标题】Table2Charts: Learning Shared Representations for Recommending Charts on Multi-dimensional Data
【作者团队】Mengyu Zhou, Qingtao Li, Yuejiang Li, Shi Han, Dongmei Zhang 【发表时间】2020/8/24 【论文链接】https://arxiv.org/abs/2008.11015

本文来自微软亚洲研究院周梦宇博士团队，该论文提出Table2Charts框架进行单一和多类型图表推荐任务，通过从表格中复制可以学习共享表的表示形式以提高推荐系统的性能。 人们通常会创建不同类型的图表来探索多维数据集（表）。 但要构建一个推荐常用组成图表的智能推荐助手，就存在“多方言”统一，数据不平衡和词汇量公开等基本问题。 在本文中提出了表2图表框架，该框架可从大量（表格，图表）对的语料库中学习通用模式。 基于具有复制机制和启发式搜索的深度Q学习，Table2Charts进行表到序列生成，其中每个序列都遵循图表模板。在具有196k表和306k图表的大型电子表格语料库中， Table2Charts可以在不同图表类型上的任务进行相互增强通过学习表字段的共享表示。 在单类型和多类型图表推荐任务，Table2Charts方法的前3个召回率均大于0.61，前1个的召回率均大于0.49。 q*(s,a)近似器：DQN模型架构 本文的主要贡献如下： 1. 本文通过Table2Charts框架来构建由图表组成的推荐助手，其可以学习共享表的表示形式，以提高所有图表类型推荐任务的性能和效率。 2. 本文对于对于涉及从表中选择数据字段填充模板（生成分析动作序列）结构化预测问题，设计了深度Q值网络复制机制， 即DQN的编码器部分学习共享表表示，而解码器部分学习序列生成。

内容中包含的图片若涉及版权问题，请及时与我们联系删除