• Produktbild: Information Retrieval
  • Produktbild: Information Retrieval
Band 15418

Information Retrieval 30th China Conference, CCIR 2024, Wuhan, China, October 18–20, 2024, Revised Selected Papers

49,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

01.02.2025

Abbildungen

X, 149 p. 32 illus., 31 illus. in color.

Herausgeber

Xiangnan He + weitere

Verlag

Springer Singapore

Seitenzahl

149

Maße (L/B/H)

23,5/15,5/0,9 cm

Gewicht

254 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-981-9617-09-8

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

01.02.2025

Abbildungen

X, 149 p. 32 illus., 31 illus. in color.

Herausgeber

Verlag

Springer Singapore

Seitenzahl

149

Maße (L/B/H)

23,5/15,5/0,9 cm

Gewicht

254 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-981-9617-09-8

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

  • Produktbild: Information Retrieval
  • Produktbild: Information Retrieval

  • .- Play to Your Strengths: Collaborative Intelligence of Conventional Recommender Models and Large Language Models.



    .- A Dual-Aligned Model for Multimodal Recommendation.



    .- CASINet: A Context-Aware Social Interaction Rumor Detection Network.



    .- A Claim Decomposition Benchmark for Long-form Answer Verification.



    .- Dual-granularity Hierarchical Fusion Network for Multimodal Humor Recognition on Memes.



    .- Exploring the Potential of Dimension Reduction in Building Efficient Dense Retrieval Systems.



    .- Relation Extraction Model Based on Overlap Rules and Abductive Learning.



    .- Multi-task Instruction Tuning for Temporal Question Answering over Knowledge Graphs.



    .- On the Capacity of Citation Generation by Large Language Models.



    .- Are Large Language Models More Honest in Their Probabilistic or Verbalized Confidence?.



    .- QUITO: Accelerating Long-Context Reasoning through Query-Guided Context Compression.