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： 魯棒的跨語言知識圖譜實體對齊

會議： KDD 2020

論文地址： //dl.acm.org/doi/pdf/10.1145/3394486.3403268

代碼地址：

推薦理由： 這篇論文首次提出了跨語言實體對齊中的噪音問題，并提出了一種基于迭代訓練的除噪算法，從而進行魯棒的跨語言知識圖譜實體對齊。本工作對后續跨語言實體對齊的去噪研究具有重要的開創性意義。

跨語言實體對齊旨在將不同知識圖譜中語義相似的實體進行關聯，它是知識融合和知識圖譜連接必不可少的研究問題，現有方法只在有干凈標簽數據的前提下，采用有監督或半監督的機器學習方法進行了研究。但是，來自人類注釋的標簽通常包含錯誤，這可能在很大程度上影響對齊的效果。因此，本文旨在探索魯棒的實體對齊問題，提出的REA模型由兩個部分組成：噪聲檢測和基于噪聲感知的實體對齊。噪聲檢測是根據對抗訓練原理設計的，基于噪聲感知的實體對齊利用圖神經網絡對知識圖譜進行建模。兩個部分迭代進行訓練，從而讓模型去利用干凈的實體對來進行節點的表示學習。在現實世界的幾個數據集上的實驗結果證明了提出的方法的有效性，并且在涉及噪聲的情況下，此模型始終優于最新方法，并且在準確度方面有顯著提高。

1 引言 現有方法在進行跨語言實體對齊時沒有考慮噪音問題，而這些噪音可能會損害模型的效果。如圖1所示，（a）中的兩個不同語言的知識圖譜存在實體對噪音（虛線表示的實體對1-4），（b）是理想狀況下節點在特征空間中的表示，可以看出不同語言知識圖譜中具有相似語義的實體在特征空間中也相近。（c）是利用含有噪音的訓練數據得到的節點特征表示，由于噪音的存在，節點的表示存在了一定的偏差。我們希望跨語言實體對齊是魯棒性的，即使訓練數據中存在噪音，模型也能盡量減少噪音的消極影響，得到如圖（b）中的表示。為了克服現有的跨語言實體對齊方法在處理帶噪標簽實體對時存在的局限性，本文探討了如何將噪聲檢測與實體對齊模型結合起來，以及如何共同訓練它們以對齊不同語言知識圖譜中的實體。

景點推薦系統可以幫助游客過濾大量的無關信息, 還能輔助商家發掘潛在的顧客. 然而, 現有 的基于傳統方法的推薦系統, 如基于內容的推薦或協同過濾系統, 雖推薦過程相對透明直觀, 但由于數 據稀疏性的存在, 推薦結果往往不夠準確; 基于深度學習的推薦方法, 雖在一定程度上提高了推薦結 果的精度, 但由于缺乏可解釋性和透明度, 難以滿足部分用戶理解推薦依據的愿望, 也阻礙了此類方法 的推廣應用. 為了解決當前方法所存在的局限, 本文引入基于知識圖譜的景點推薦框架, 將推薦過程 與知識圖譜嵌入相結合, 推斷用戶興趣在知識圖譜上的傳播路徑, 以此作為推薦依據. 此外, 本文通過 對真實旅游數據的多角度時空分析, 探究旅游活動的時空規律, 并將其應用于景點推薦框架中, 提出一 種面向旅游的基于知識圖譜的可解釋推薦方法 —— Geo-RippleNet, 并通過構建基于開放網絡資源的 旅游知識圖譜, 對 Geo-RippleNet 進行了全面的實驗驗證. 結果表明, 本文提出的基于知識圖譜的景點 推薦方法, 不僅可以最大限度地吸收知識圖譜豐富的語義信息, 從而實現可觀的性能提升, 還能充分 利用圖譜的關系知識, 推理興趣傳播路徑, 以增強推薦結果的可解釋性. 此外, 將旅游活動的時空規律 融入到上述推薦框架中, 能夠還原用戶出游和決策的時空過程, 進一步提高方法的性能表現.

對于來自開源社會傳感器的多種類型并發事件及其相關參與者進行建模是許多領域(如醫療保健、救災和金融分析)的一項重要任務。預測未來的事件可以幫助人類分析師更好地理解全球社會動態，并做出快速而準確的決策。預期參與這些活動的參與者或參與者還可以幫助涉眾更好地響應意外事件。然而，由于以下幾個因素，實現這些目標是具有挑戰性的:(i)難以從大規模輸入中過濾出相關信息，(ii)輸入數據通常為高維非結構化和Non-IID(非獨立同分布)，(iii)相關的文本特征是動態的，隨時間而變化。最近，圖神經網絡在學習復雜和關系數據方面表現出了優勢。本文研究了一種基于異構數據融合的時間圖學習方法，用于預測多類型并發事件并同時推斷多個候選參與者。為了從歷史數據中獲取時間信息，我們提出了一種基于事件知識圖的圖學習框架Glean，它結合了關系和單詞上下文。我們提出了一個上下文感知的嵌入融合模塊來豐富事件參與者的隱藏特性。我們在多個真實數據集上進行了廣泛的實驗，結果表明，所提出的方法在社會事件預測方面與各種先進的方法相比具有競爭力，而且還提供了急需的解釋能力。

【導讀】作為世界數據挖掘領域的最高級別的學術會議，ACM SIGKDD（國際數據挖掘與知識發現大會，簡稱 KDD）每年都會吸引全球領域眾多專業人士參與。今年的 KDD大會計劃將于 2020 年 8 月 23 日 ~27 日在美國美國加利福尼亞州圣地亞哥舉行（疫情影響，線上舉行）。KDD 2020官方發布接收論文，共有1279篇論文提交到Research Track，共216篇被接收，接收率16.8%。近期一些Paper放出來了，為此，專知小編提前為大家整理了五篇KDD 2020 推薦系統（RS）相關論文，供大家參考。——異構圖交互模型、組合嵌入、分解自監督、地理感知序列推薦、交互路徑推理。

KDD2020 Accepted Papers

CVPR2020SGNN、CVPR2020GNN_Part2、CVPR2020GNN_Part1、WWW2020GNN_Part1、AAAI2020GNN、ACMMM2019GNN、CIKM2019GNN、ICLR2020GNN、EMNLP2019GNN、ICCV2019GNN_Part2、ICCV2019GNN_Part1、NIPS2019GNN、IJCAI2019GNN_Part1、IJCAI2019GNN_Part2、KDD2019GNN、ACL2019GNN、CVPR2019GNN、

1、An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous Graph

作者：Jiarui Jin, Jiarui Qin, Yuchen Fang, Kounianhua Du, Weinan Zhang, Yong Yu, Zheng Zhang, Alexander J. Smola

摘要：近年來，基于異構信息網絡(HIN)的推薦系統大量涌現，因為HIN能夠刻畫復雜的圖形，并且包含豐富的語義。現有的方法雖然取得了性能上的提高，但同時在實用性方面，仍然面臨著以下問題。一方面，大多數現有的基于HIN的方法依賴于顯式路徑可達性來利用用戶和項目之間基于路徑的語義相關性，例如基于元路徑的相似性。但由于路徑連接稀疏或有噪聲，這些方法很難使用和集成，并且通常具有不同的長度。另一方面，其他基于圖的方法旨在通過在預測前將節點及其鄰域信息壓縮成單個嵌入來學習有效的異構網絡表示。這種弱耦合的建模方式忽略了節點之間豐富的交互，這帶來了先前概述的問題。針對上述問題，本文提出了一種端到端基于鄰域的交互推薦模型(NIRec)。具體地說，我們首先分析了學習交互在HINS中的重要性，然后提出了一種新的公式，通過元路徑引導的鄰域來捕捉每對節點之間的交互模式。然后，為了探索元路徑之間的復雜交互和處理大規模網絡上的學習復雜性，我們用卷積的方式表示交互，并使用快速傅立葉變換進行高效的學習。在四種不同類型的異構圖上的大量實驗表明，與現有技術相比，NIRec的性能有所提高。據我們所知，這是在基于HIN的推薦中提供有效的基于鄰域的交互模型的第一項工作。

網址： //arxiv.org/abs/2007.00216

2、Compositional Embeddings Using Complementary Partitions for Memory-Efficient Recommendation Systems

作者：Hao-Jun Michael Shi, Dheevatsa Mudigere, Maxim Naumov, Jiyan Yang

摘要：基于深度學習的推薦系統利用了成百上千個不同的分類特征，每個分類特征都有數百萬個從點擊到發布的不同類別。為了尊重分類數據中的自然多樣性，嵌入將每個類別映射到嵌入空間內的統一表示。由于每個分類特征可以承擔多達數千萬個不同的可能類別，因此嵌入表示在訓練和推理過程中都面臨著存儲瓶頸。我們提出了一種新的方法，通過利用類別集合的互補劃分（complementary partitions）在不需要明確定義的情況下來為每個類別產生唯一的嵌入向量，從而以端到端的方式減少嵌入大小。通過在每個互補分區上存儲多個較小的嵌入表，并結合每個表的嵌入，我們以較小的存儲開銷為每個類別定義了唯一的嵌入。該方法可以被解釋為使用特定的固定碼本（fixed codebook）來確保每個類別表示的唯一性。我們的實驗結果表明，相對于散列技巧，我們的方法在減少模型損失和準確性的同時減小了參數數量，并且有效地減少了嵌入表示的大小。

網址：

3、Disentangled Self-Supervision in Sequential Recommenders

作者：Jianxin Ma, Chang Zhou, Hongxia Yang, Peng Cui, Xin Wang, Wenwu Zhu

摘要：為了學習一個序列推薦器，現有的方法通常采用sequence-to-item(Seq2item)訓練策略，該策略以用戶的下一次行為為標簽，以用戶過去的行為為輸入來監督序列模型。然而，seq2item策略是目光短淺的，通常會產生單一的推薦列表。在本文中，我們著眼于更長遠的未來來研究挖掘額外信號以進行監督的問題。存在如下兩個挑戰：i)重構包含多個行為的未來序列比重構單個下一個行為要困難得多，這可能導致收斂困難；ii)所有未來行為的序列可能涉及多個意圖，并不是所有的意圖都可以從先前行為序列中預測出來。為了應對這些挑戰，我們提出了一種基于潛在自監督和解纏（disentanglement）的Seq2seq訓練策略。具體地說，我們在潛在空間中進行自監督，即作為一個整體重構未來序列的表示，而不是單獨重構未來序列中的項。我們還解開了任何給定行為序列背后的意圖，并僅使用涉及共同意圖的子序列對來構建seq2seq訓練樣本。真實世界基準和合成數據的結果表明，seq2seq訓練帶來了改進。

網址：

4、Geography-Aware Sequential Location Recommendation

作者：Defu Lian, Yongji Wu, Yong Ge, Xing Xie, Enhong Chen

摘要：序列位置推薦在移動性預測、路徑規劃、基于位置廣告等應用中發揮著重要作用。雖然從張量分解發展到基于RNN的神經網絡，但現有方法沒有有效利用地理信息，存在稀疏性問題。為此，我們提出了一種基于自注意力網絡的地理感知序列推薦器(GeoSAN)進行位置推薦。一方面，我們提出了一種新的基于重要性抽樣的損失函數進行優化，通過強調使用信息豐富的負樣本來解決稀疏性問題。另一方面，為了更好地利用地理信息，GeoSAN使用基于自注意力的地理編碼器來表示每個GPS點的分層網格。此外，我們還提出了地理感知的負采樣器來提高負樣本的信息量。我們使用三個真實的LBSN數據集對所提出的算法進行了評估，結果表明GeoSAN的性能比最新的序列位置推薦器高出34.9%。實驗結果進一步驗證了新的損失函數、地理編碼器和地理感知負采樣器的有效性。

網址：

5、Interactive Path Reasoning on Graph for Conversational Recommendation

作者：Wenqiang Lei, Gangyi Zhang, Xiangnan He, Yisong Miao, Xiang Wang, Liang Chen, Tat-Seng Chua

摘要：傳統的推薦系統從過去的交互歷史中估計用戶對項目的偏好，因此受到獲取細粒度和動態用戶偏好的限制。會話推薦系統(CRS)使系統能夠直接向用戶詢問他們對物品的偏好屬性，從而為這些限制帶來了革命性的變化。然而，現有的CRS方法并沒有充分利用這一優勢-它們只以相當隱含的方式使用屬性反饋，例如更新潛在用戶表示。在本文中，我們提出了轉換路徑推理(Conversational Path Reasoning, CPR)，這是一個通用的框架，它將會話推薦建模為圖上的交互式路徑推理問題。它通過跟隨用戶反饋遍歷屬性頂點，顯式地利用用戶偏好屬性。通過利用圖結構，CPR能夠刪除許多不相關的候選屬性，從而獲得更好的命中用戶偏好屬性的機會。為了演示CPR的工作原理，我們提出了一個簡單而有效的實例化，命名為SCPR(SimpleCPR)。我們對多輪會話推薦場景進行了實證研究，這是迄今為止最現實的CRS場景，它考慮了多輪詢問屬性和推薦項目。通過在Yelp和LastFM兩個數據集上的大量實驗，我們驗證了我們的SCPR的有效性，它的性能明顯優于最先進的CRS方法EAR和CRM。特別地，屬性越多，我們的方法就能獲得越多的優勢。

網址：

【導讀】知識圖譜是學術界和工業界近年來關注的焦點。2020年最近以來，KDD、ICML、ACL、IJCAI會議論文公布，專知小編整理了最新8篇關于知識圖譜的論文，來自Amazon、CMU、斯坦福 、Google等，請大家查看！

1、MultiImport: Inferring Node Importance in a Knowledge Graph from Multiple Input Signals（推斷知識圖譜節點重要性），KDD 2020

摘要：給定多個輸入信號，我們如何推斷知識圖譜(KG)中的節點重要性?節點重要性估計是一項非常重要和具有挑戰性的任務，它可以為許多應用帶來好處，包括推薦、搜索和查詢消歧。實現這一目標的一個關鍵挑戰是如何有效地利用來自不同來源的輸入。一方面，KG是一個豐富的信息源，具有多種類型的節點和邊。另一方面，有外部輸入信號，如投票或頁面瀏覽量，可以直接告訴我們實體在KG中的重要性。雖然已經開發了一些方法來解決這個問題，但它們對這些外部信號的使用受到了限制，因為它們沒有同時考慮多個信號的輸入。在本文中，我們提出了一個端到端的多輸入模型，它從多個可能重疊的輸入信號中推斷出潛在節點的重要性。MultiImport是一種潛在的變量模型，它捕捉節點重要性與輸入信號之間的關系，有效地從多個可能存在沖突的信號中學習。同時，MultiImport提供了一種基于注意力圖神經網絡的有效估計器。我們在真實的KGs上進行了實驗，表明MultiImport處理了多個涉及從多個輸入信號推斷節點重要性的挑戰，并且始終優于現有方法，實現了比最先進的方法高23.7%的NDCG@100。

論文地址：

//arxiv.org/abs/2006.12001

2、Low-Dimensional Hyperbolic Knowledge Graph Embeddings（低維雙曲知識圖譜嵌入），ACL 2020

摘要： 知識圖譜(KG)嵌入通過學習實體和關系的低維表示，以預測缺失事實。KGs通常具有層次結構和邏輯模式，必須在嵌入空間中保留這些模式。對于分層數據，雙曲嵌入方法已顯示出高保真度和簡潔表示的優勢。然而，現有的雙曲嵌入方法不能解釋KGs中豐富的邏輯模式。在本工作中，我們引入了一類雙曲KG嵌入模型，可以同時捕獲層次和邏輯模式。我們的方法結合雙曲反射和旋轉注意力模型復雜的關系模式。在標準KG基準上的實驗結果表明，我們的方法在低維的平均倒數(MRR)方面比預先的歐幾里得和雙曲的工作提高了6.1%。此外，我們觀察到不同的幾何變換捕捉不同類型的關系，而基于注意的變換則推廣到多重關系。在高維情況下，我們的方法在WN18RR和YAGO3-10上分別獲得了49.6%和57.7%的最先進的MRR。

論文地址：

3、Orthogonal Relation Transforms with Graph Context Modeling for Knowledge Graph Embedding（正交關系轉換與圖上下文建模的知識圖譜嵌入），ACL 2020

摘要： 基于距離的知識圖譜嵌入已經在知識圖譜鏈接預測任務上有了實質性的改進，從TransE到目前最先進的RotatE。然而，諸如 N-to-1, 1-to-N和N-to-N的復雜關系仍然難以預測。在這項工作中，我們提出了一種新的基于距離的知識圖譜鏈接預測方法。首先，通過對模型關系的正交變換，將RotatE從二維復數域擴展到高維空間。關系的正交變換嵌入保持了對于對稱/反對稱關系、逆關系和復合關系的建模能力，同時具有更好的建模能力。其次，將圖形上下文直接集成到距離評分函數中。具體地說，圖上下文是通過兩個有向上下文表示來顯式建模的。嵌入到知識圖中的每個節點都增加了兩個上下文表示，這兩個上下文表示分別從相鄰的傳出節點/邊和傳入節點/邊計算得到。該方法提高了N-to-1, 1-to-N和N-to-N情況下的預測精度。實驗結果表明，該算法在兩個常用的基準測試FB15k237和WNRR-18上都取得了最好的結果，特別是在節點數較多的FB15k-237上。

論文地址：

4、SEEK: Segmented Embedding of Knowledge Graphs（知識圖譜可分割嵌入），ACL 2020

摘要：近年來，知識圖譜嵌入成為人工智能領域的研究熱點，在推薦、問答等各種下游應用中發揮著越來越重要的作用。然而，現有的知識圖譜嵌入方法沒有在模型復雜度和模型表現力之間取得適當的折衷，這使得它們仍然遠遠不能令人滿意。為了緩解這一問題，我們提出了一個輕量級的建模框架，它可以在不增加模型復雜度的情況下獲得具有高度競爭力的關系表達能力。我們的框架側重于評分函數的設計，并突出了兩個關鍵特征：1)促進充分的特征交互；2)保持關系的對稱性和反對稱性。值得注意的是，由于評分函數設計的通用性和美觀性，我們的框架可以將現有的許多著名的方法作為特例合并在一起。此外，在公共基準上的大量實驗證明了該框架的有效性。

論文地址：

5、Reasoning Like Human: Hierarchical Reinforcement Learning for Knowledge Graph Reasoning（層次強化學習知識圖譜推理），IJCAI 2020

摘要：知識圖譜通常存在不完備性。知識圖譜補全的一種流行方法是通過對連接兩個實體的其他路徑上發現的信息進行多跳推理來推斷丟失的知識。然而，多跳推理仍然具有挑戰性，因為推理過程通常經歷多個語義問題，即一個關系或一個實體具有多個含義。針對這種情況，我們提出了一種新的層次強化學習框架來自動地從知識圖譜中學習推理鏈。我們的框架是受層次結構的啟發，通過人類處理認知模糊的情況。整個推理過程分解為兩層強化學習策略，用于編碼歷史信息和學習結構化行動空間。因此，處理多重語義問題更加可行和自然。實驗結果表明，我們提出的模型在模糊關系任務方面取得了顯著的改進。

論文地址：

6、TransOMCS: From Linguistic Graphs to Commonsense Knowledge（從語言圖譜到常識圖譜），IJCAI 2020

摘要：常識的獲取是人工智能的關鍵問題。傳統的獲取常識的方法通常需要費力而昂貴的人工注釋，這在大規模上是不可行的。本文探討了一種實用的從語言圖中挖掘常識知識的方法，目的是將用語言模式獲得的廉價知識轉化為昂貴的常識知識。其結果是將大規模選擇偏好知識資源ASER [Zhang et al.， 2020]轉換為與ConceptNet表示相同但比前者大兩個數量級的TransOMCS [Liu and Singh, 2004]。實驗結果表明，該方法在數量、新穎性和質量上都是有效的。TransOMCS可以通過以下網址公開訪問。

論文地址：

本文研究如何更好聚合網絡拓撲信息和特征信息。中心思想是，構造了結構圖，特征圖(feature graph)，以及兩者的組合來提取特定的和通用的嵌入，并使用注意機制來學習嵌入的自適應重要性權重。實驗發現，AM-GCN可以從節點特征和拓撲結構中提取自適應地提取相關的信息，對應不同的參數取值。 //arxiv.org/abs/2007.02265

摘要：圖卷積網絡(GCNs)在處理圖數據和網絡數據的各種分析任務方面得到了廣泛的應用。然而，最近的一些研究提出了一個問題，即GCNs是否能夠在一個信息豐富的復雜圖形中優化地整合節點特征和拓撲結構。在本文中，我們首先提出一個實驗研究。令人驚訝的是，我們的實驗結果清楚地表明，當前的GCNs融合節點特征和拓撲結構的能力遠遠不是最優的，甚至是令人滿意的。由于GCNs無法自適應地學習拓撲結構與節點特征之間的一些深層次關聯信息，這一弱點可能會嚴重阻礙GCNs在某些分類任務中的能力。我們能否彌補這一缺陷，設計出一種新型的GCNs，既能保留現有GCNs的優勢，又能大幅度提高拓撲結構和節點特征融合的能力?為了解決這個問題，我們提出了一種自適應多通道半監督分類圖卷積網絡。其核心思想是同時從節點特征、拓撲結構及其組合中提取具體的和常見的嵌入，并利用注意機制學習嵌入的自適應重要度權值。我們在基準數據集上進行的大量實驗表明，AM-GCN從節點特征和拓撲結構中提取了最多的相關信息，顯著提高了分類精度。