亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

題目： Contextualized Graph Attention Network for Recommendation with Item Knowledge Graph

摘要： 近年來，圖神經網絡(GNN)被應用于知識圖譜(KG)的開發。現有的基于GNN的方法在KG中對實體與其本地圖上下文之間的依賴關系進行了建模。，但可能無法有效地捕獲其非局部圖上下文(例如，它的一階鄰居的集合)，最相關的高階鄰居集)。在本文中，我們提出了一個新的推薦框架——上下文化的圖注意網絡(CGAT)，它可以顯式地利用KG中實體的局部和非局部圖上下文信息。特別地，CGAT通過用戶特定的圖形注意機制捕獲本地上下文信息，考慮用戶對實體的個性化偏好。此外，CGAT采用了一個有偏隨機游走采樣過程來提取一個實體的非局部上下文，并利用遞歸神經網絡(RNN)來建模實體與其非局部上下文實體之間的依賴關系。為了捕捉用戶對物品的個性化偏好，本文還建立了物品特定注意機制，以模擬目標物品與從用戶歷史行為中提取的上下文物品之間的依賴關系。在真實數據集上的實驗結果驗證了CGAT的有效性，并與最新的基于KG的推薦方法進行了比較。

題目： InteractE: Improving Convolution-based Knowledge Graph Embeddings by Increasing Feature Interactions

摘要： 現有的大多數知識圖譜是不完整的，這個問題是可以通過基于已知事實推斷缺失的鏈接來進行緩解的。目前一種流行的方法是通過生成實體和關系的低維嵌入，并使用它們進行推斷。ConvE是最近提出的一種方法，它將卷積濾波器應用于實體和關系嵌入的 2D重構，以捕獲它們之間的交互信息。然而，ConvE捕獲的交互作用的量是有限的。在這篇文章中，我們分析了增加這些相互作用的數量如何影響鏈路預測性能，并利用我們的觀察提出了InteractE。InteractE基于三個關鍵思想:特征排列、新穎的特征重塑和循環卷積。通過大量的實驗，我們發現InteractE在FB15k-237上的性能優于最先進的卷積鏈路預測基線方法。此外，在FB15k-237、WN18RR和YAGO3-10數據集上，InteractE的MRR評分分別比ConvE高9%、7.5%和23%。結果驗證了我們的假設，即增加特征交互有助于提高鏈接預測性能。

題目： Fairness-Aware Explainable Recommendation over Knowledge Graphs

簡介： 最近，人們對公平性的考慮日益受到關注，尤其是在智能決策系統中。可解釋的推薦系統可能會受到解釋偏差和性能差異的困擾。在本文中，我們根據用戶的活動水平分析了不同的用戶組，發現不同組之間的推薦績效存在偏差。結果顯示由于不活躍用戶的培訓數據不足，不活躍用戶可能更容易收到不滿意的推薦，并且由于協作過濾的性質，他們的推薦可能會受到更活躍用戶的培訓記錄的影響，因而受到系統的不公平對待。我們提出了一種啟發式重新排序的公平約束方法，以在對知識圖的可解釋性推薦的背景下減輕這種不公平問題。我們使用基于最新知識圖的可解釋推薦算法對幾個數據集進行了實驗，結果表明，我們的算法不僅能夠提供高質量的可解釋的推薦，而且在幾個方面都減少了推薦的不公平性。

主題： Deep Learning on Knowledge Graph for Recommender System: A Survey

摘要： 最近的研究表明，知識圖譜（KG）在提供有價值的外部知識以改進推薦系統（RS）方面是有效的。知識圖譜能夠編碼連接兩個對象和一個或多個相關屬性的高階關系。借助于新興的GNN，可以從KG中提取對象特征和關系，這是成功推薦的一個重要因素。本文對基于GNN的知識感知深度推薦系統進行了綜述。具體來說，我們討論了最新的框架，重點是它們的核心組件，即圖嵌入模塊，以及它們如何解決實際的推薦問題，如可伸縮性、冷啟動等。我們進一步總結了常用的基準數據集、評估指標以及開源代碼。最后，我們對調查結果進行了總結，并提出了這一快速發展領域的潛在研究方向。

** 簡介：**

推薦方法構造了預測模型，以估計用戶與項目交互的可能性。先前的模型在很大程度上遵循一般的監督學習范式-將每個交互視為一個單獨的數據實例，并基于“信息孤島”進行預測。但是，此類方法忽略了數據實例之間的關系，這可能導致性能欠佳，尤其是對于稀疏場景。此外，建立在單獨數據實例上的模型幾乎無法顯示出推薦背后的原因，從而使過程難以理解。

在本教程中，我們將從圖學習的角度重新審視推薦問題。可以將用于推薦的通用數據源組織成圖形，例如用戶-項目交互（二分圖），社交網絡，項目知識圖（異構圖）等。這種基于圖的組織將孤立的數據實例連接起來，從而為利用高階連通性帶來了好處，這些高階連通性對有意義的模式進行了編碼，以進行協作過濾，基于內容的過濾，社會影響力建模和知識感知推理。結合圖神經網絡（GNN）的最新成功，基于圖的模型已展現出成為下一代推薦系統技術的潛力。本教程對基于圖的學??習方法進行了回顧，以提出建議，特別關注GNN的最新發展和知識圖譜增強的建議。通過在本教程中介紹這個新興而有前途的領域，我們希望觀眾可以對空間有深入的了解和準確的見解，激發更多的想法和討論，并促進技術的發展。

目錄：

作者簡介：

王翔是新加坡國立大學（NUS）計算機學院的研究員。 他獲得了博士學位。 他于2019年獲得國大計算機科學博士學位。他的研究興趣包括推薦系統，信息檢索和數據挖掘。 在SIGIR，KDD，WWW和AAAI等頂級會議上，他擁有20多種出版物，包括TOIS和TKDE等期刊。 他曾擔任CCIS 2019的本地主席，包括SIGIR，CIKM和MM在內的頂級會議的PC成員以及TKDE和TOIS等著名期刊的定期審稿人。

論文題目： Relation-Aware Graph Convolutional Networks for Agent-Initiated Social E-Commerce Recommendation

論文摘要：

近年來，agent-initiated社交電子商務模式取得了巨大的成功，這種模式鼓勵用戶成為銷售代理商，通過他們的社交關系來推廣商品。這種類型的社交電子商務中的復雜交互可以表述為異構信息網絡(HIN)，其中三種節點之間的關系有多種類型，分別為用戶、銷售代理和商品。學習高質量的節點嵌入是研究的重點，圖卷積網絡(GCNs)是近年來發展起來的最先進的表示學習方法。然而，現有的GCN模型在建模異構關系和有效地從大量鄰域中采樣相關接收域方面都存在基本的局限性。為了解決這些問題，我們提出了RecoGCN(a RElation-aware CO-attentive GCN model)來有效地聚合HIN中的異構特征。它彌補了目前GCN在使用關系感知聚合器建模異構關系方面的局限性，并利用語義感知元路徑為每個節點開辟簡潔和相關的接受域。為了有效地融合從不同元路徑中學習到的嵌入，我們進一步提出了一種co-attentive機制，通過關注用戶、銷售代理和商品之間的三種交互來動態地為不同的元路徑分配重要性權重。在真實數據集上的大量實驗表明，RecoGCN能夠學習HIN中有意義的節點嵌入，并且在推薦任務中始終優于baseline方法。

部分作者簡介：

Jianxun Lian是微軟亞洲研究院研究員，研究興趣是推薦系統，用戶建模，深度學習，NLP。