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： TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation

摘要：

基于會話的推薦在許多網站中扮演著重要的角色，其目的是基于匿名會話來預測用戶的行為。通過研究會話中項目的時間轉換，已經出現了許多將會話建模為序列或圖的研究。但是，這些方法將會話壓縮成一個固定的向量表示，而不考慮要預測的目標項。由于目標項目的多樣性和用戶興趣的不同，固定向量會限制推薦模型的表示能力。本文提出了一種新的目標注意圖神經網絡(TAGNN)模型，用于基于會話的推薦。在TAGNN中，目標感知注意力自適應地激發不同用戶對不同目標的興趣。學習興趣表示向量隨著目標項目的不同而變化，極大地提高了模型的表達能力。此外，TAGNN利用圖神經網絡的強大功能來捕捉會話中的豐富項轉換。在真實數據集上進行的綜合實驗證明了它優于最先進的方法。

摘要

推薦系統是一種軟件應用程序，它可以幫助用戶在信息過載的情況下找到感興趣的主題。當前的研究通常假設一個一次性的交互范式，其中用戶偏好是根據過去歷史觀察到的行為來估計的，并且按照等級排序的推薦列表是用戶交互的主要的且是單向的形式。對話推薦系統(CRS)采用了一種不同的方法，支持更豐富的交互。例如，這些交互可以幫助改進偏好激發過程，或者允許用戶詢問關于推薦的問題并給出反饋。對CRS的興趣在過去幾年里顯著增加。這種發展主要是由于自然語言處理領域的重大進展，新的語音控制家庭助手的出現，以及聊天機器人技術的增加使用。在本文中，我們詳細介紹了現有的對話推薦方法。我們將這些方法按不同的維度進行分類，例如，根據支持的用戶意圖或用戶在后臺使用的知識。此外，我們還討論了技術方法，回顧了CRS的評估方法，并最終確定了一些在未來值得更多研究的差距。

介紹

推薦系統是人工智能在實踐中最明顯的成功案例之一。通常，這些系統的主要任務是為用戶指出感興趣的潛在主題，例如電子商務網站。因此，它們不僅可以在信息超載的情況下幫助用戶，還可以對服務提供商的業務做出重大貢獻。 在這些實際應用中，推薦是一個一次性的交互過程。通常，底層系統會隨著時間的推移監視其用戶的行為，然后在預定義的導航情況下(例如，當用戶登錄到服務時)提供一組定制的建議。盡管這種方法在各個領域都很常見，也很有用，但是它可能有一些潛在的限制。例如，在許多應用程序場景中，用戶首選項無法從其過去的交互中可靠地估計出來。對于高介入的產品(例如，當推薦一款智能手機時)，我們甚至可能完全沒有過去的觀察結果。此外，在一組建議中包含哪些內容可能與上下文高度相關，而且可能很難自動確定用戶的當前情況或需求。最后，另一個假設通常是，當用戶登錄網站時，他們已經知道自己的偏好。然而，這未必是真的。例如，用戶可能只在決策過程中確定他們的首選項，例如，當他們意識到選項的空間時。在某些情況下，他們也可能只在與推薦者的交互過程中了解這塊內容和可用的選項。 對話推薦系統(CRS)是可以幫助解決這些的挑戰中的許多這樣的問題。一般來說，這種系統的總體思想是支持與用戶進行面向任務的多回合對話。例如，在這樣的對話中，系統可以引出用戶當前的詳細偏好，為主題推薦提供解釋，或者處理用戶對所提建議的反饋。 鑒于這類系統的巨大潛力，對CRS的研究已經有了一定的傳統。早在20世紀70年代末，Rich就設想了一個電腦化的圖書管理員，通過用自然語言互動地向用戶提問有關他們的個性和偏好的問題，向他們提出閱讀建議。除了基于自然語言處理(NLP)的接口外，近年來還提出了多種基于表單的用戶接口。CRS中較早的基于這些接口的交互方法之一稱為critiquing，它在1982年就被提出作為數據庫領域的查詢重新制定的一種方法。在critiquing方法中，用戶很快會在對話中看到一個建議，然后可以對這些建議應用預先定義的評論。 基于表單的方法通常很有吸引力，因為用戶可以使用的操作是預先定義的、明確的。然而，這樣的對話也可能出現非自然的，用戶可能在表達他們的偏好的方式上感到約束。另一方面，基于NLP的方法在很長一段時間內受到了現有的限制，例如在處理語音命令的上下文中。然而，近年來，語言技術取得了重大進展。因此，我們現在習慣于向智能手機和數字家庭助手發出語音命令，這些設備的識別精度已經達到了令人印象深刻的水平。與語音助手領域的這些發展相對應，我們注意到聊天機器人技術在最近幾年的快速發展。聊天機器人，無論是簡單的還是復雜的，通常也能處理自然語言，現在廣泛應用于各種應用領域，例如，處理客戶服務請求。 這些技術的進步導致在過去幾年中對CRS的興趣增加。然而，與以前的許多方法相比，我們注意到今天的技術建議更多地是基于機器學習技術，而不是遵循預先定義的對話路徑，用于確定要向用戶詢問的下一個問題。然而，通常在語音助手和聊天機器人的功能與支持真正的對話推薦場景(如系統是語音控制的)所需的功能之間仍然存在差距。 本文從不同的角度對對話推薦系統的文獻進行了綜述。具體地說,我們將討論(i)CRS的交互模式(第3節),(ii)CRS基于的知識和數據(第4節), 和(iii)CRS中典型的計算任務(第5節)。然后,我們討論CRS的評估方法(第6節),最后展望未來的發展方向。

對話系統的特征描述

關于什么是CRS，文獻中沒有一個公認的定義。在這項工作中，我們使用以下定義。 CRS是一個軟件系統，它支持用戶通過多回合的對話來實現推薦相關的目標。

CRS的概念架構：在過去的二十年中，人們提出了各種CRS模型的技術途徑。這些解決方案的技術體系結構的細節取決于系統的功能，例如，是否支持語音輸入。盡管如此，仍然可以確定此類體系結構的許多典型概念組件，如圖1所示。

CRS交互模式

最近對CRS的興趣是由NLP的發展和技術進步(如寬帶移動互聯網接入和智能手機和家庭助手等新設備)推動的。然而，我們對文獻的回顧表明，用戶和CRS之間的交互既不局限于自然語言輸入和輸出，也不局限于特定的設備。

知識和背景數據

根據所選擇的技術方法，CRS必須結合各種類型的知識和背景數據才能發揮作用。顯然，像任何推薦人一樣，必須有關于推薦項目的知識。同樣，推薦的生成要么基于明確的知識，例如推薦規則或約束，要么基于在一些背景數據上訓練的機器學習模型。然而，對話系統通常依賴于其他類型的知識，例如對話中的可能狀態，或者用于訓練機器學習模型的數據，如記錄和轉錄的自然語言推薦對話。

計算任務

在討論了推薦對話中可能的用戶意圖之后，我們現在將回顧CRS的常見的計算任務和技術方法。我們區分(i)主要任務，即那些與推薦過程更直接相關的，例如，計算推薦或確定下一個要問的問題，以及(ii)額外的支持任務。

介紹對話系統的評價

一般情況下，推薦系統可以通過不同的方法從不同的維度進行評價。首先，當系統在其使用上下文中進行評估時，即，當它被部署時，我們通常最感興趣的是通過A/B測試來衡量系統是否達到了設計目標的具體關鍵性能指標(KPI)，例如，增加的銷售數字或用戶參與度。其次，用戶研究(實驗室實驗)通常調查與系統感知質量相關的問題。常見的質量維度是建議的適宜性、流程的可感知透明性或易用性。最后，計算性實驗不需要用戶參與評估，而是基于客觀指標來評估質量，例如，通過測量建議的多樣性或計算運行時間來預測測試集中的輔助評級的準確性。同樣的質量維度和研究方法也適用于CRS。然而，在比較面向算法的研究和對話系統的研究時，我們發現評估的主要焦點往往是不同的。由于CRS是高度交互的系統，因此與人機交互有關的問題更常用于這些系統的研究。此外，在測量方法方面，CRS評估不僅關注任務的完成，即，如果建議是合適的或最終被接受的，但也涉及到與談話本身的效率或質量有關的問題。

總結和未來工作

總的來說，我們的研究表明，CRS領域在過去幾年中出現了一定程度的復興，其中最新的方法依賴于機器學習技術，尤其是深度學習和基于自然語言的交互。考慮到語音控制系統(如智能音箱)最近的興起，以及聊天機器人系統的日益普及，我們預計在未來幾年將看到對CRS的更多研究。雖然在某些方面取得了重大進展，但仍有許多領域需要進行更多的研究。在接下來的文章中，我們將概述一些有待解決的問題以及該領域未來可能的發展方向。 第一個問題涉及模式的選擇。盡管近年來，“自然語言”越來越流行，但究竟哪種情況下“自然語言”才是最好的選擇，目前還不完全清楚。需要進行更多的研究來了解哪種模式適合當前給定的任務和情況，或者是否應該向用戶提供替代模式。一個有趣的研究方向還在于解釋用戶的非言語交際行為。此外，完全基于語音的CRS也有一定的局限性，例如，在一個交互周期中提供完整的推薦集合。在這種情況下，用戶可能希望對一組推薦進行總結，因為在大多數情況下，當CRS向用戶推薦過多(例如多于兩三個)選項時，這可能沒有意義。

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。

題目： A Survey on Knowledge Graph-Based Recommender Systems

摘要：

為了解決信息爆炸問題，提高用戶在各種在線應用中的體驗，人們開發了推薦系統來模擬用戶的偏好。盡管人們已經為更個性化的推薦做了很多努力，但是推薦系統仍然面臨著一些挑戰，如數據稀疏和冷啟動。近年來，以知識圖為輔助信息的推薦生成引起了人們的極大興趣。這種方法不僅可以緩解上述問題，使推薦更加準確，而且可以為推薦項目提供解釋。本文對基于知識圖的推薦系統進行了系統的研究。我們收集了最近在這一領域發表的論文，并從兩個角度對其進行了總結。一方面，我們通過研究論文如何利用知識圖進行精確和可解釋的推薦來研究所提出的算法。另一方面，我們介紹了這些工作中使用的數據集。最后，提出了該領域的幾個潛在研究方向。

題目

上下文感知推薦系統的圖卷積機：Graph Convolution Machine for Context-aware Recommender System

關鍵字

圖卷積，編碼器與解碼器，上下文感知，深度學習，推薦系統

簡介

推薦的最新進展表明，可以通過在用戶項目交互圖上執行圖卷積來學習更好的用戶和項目表示形式。但是，這種發現主要限于協作過濾（CF）場景，在該場景中無法使用交互上下文。在這項工作中，我們將圖卷積的優勢擴展到了上下文感知推薦系統（CARS，代表了可以處理各種輔助信息的通用類型的模型）。我們提出了圖卷積機（GCM），它是一個由以下組成的端到端框架：三個組件：編碼器，圖卷積（GC）層和解碼器。編碼器將用戶，項目和上下文投影到嵌入向量中，然后將其傳遞到GC層，以利用上下文感知的圖卷積在用戶項圖中對用戶和項目嵌入進行細化。解碼器通過考慮用戶，項目和上下文嵌入之間的交互，提取經過精煉的嵌入以輸出預測分數。我們對Yelp的三個真實數據集進行了實驗，驗證了GCM的有效性以及對CARS執行圖形卷積的好處。

作者

Jiancan Wu,Xiangnan He,Xiang Wang,Qifan Wang,Weijian Chen,JianxunLian,Xing Xie,Yongdong Zhang來自中國科學技術大學

題目： Semantic search on text and knowledge bases

摘要： 本文全面綜述了基于文本和知識庫的語義搜索的廣泛領域。簡而言之，語義搜索就是“有意義的搜索”。這個“含義”可以指搜索過程的各個部分：理解查詢（而不僅僅是在數據中找到其組件的匹配項），理解數據（而不僅僅是搜索這樣的匹配），或者以一種適合有意義檢索的方式表示知識。語義搜索是在各種不同的社區中研究的，對這個問題有各種不同的看法。在本次調查中，我們根據兩個維度對這項工作進行分類：數據類型（文本、知識庫、它們的組合）和搜索類型（關鍵字，結構化、自然的語言）。我們考慮所有九種組合。重點是基本技術、具體系統和基準。調查還考慮了高級問題：排序、索引、本體匹配和合并以及推理。它還簡要地概述了有助于語義搜索的自然語言處理技術：詞性標注、命名實體識別和消歧、句子分析和詞向量。

下載鏈接： //ad-publications.informatik.uni-freiburg.de/FNTIR_semanticsearch_BBH_2016.pdf