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： 解決基于圖神經網絡的會話推薦存在的信息損失問題

會議： KDD 2020

論文地址： //dl.acm.org/doi/pdf/10.1145/3394486.3403170

推薦理由： 這篇論文提出了目前在使用圖神經網絡方法來解決基于會話的推薦問題時所存在的兩個信息缺失問題并建立一個沒有信息丟失問題的模型，在三個公共數據集上優于最先進的模型。

在許多在線服務中，用戶的行為自然是按時間排序的。為了預測用戶未來的行為，下一項（next-item）推薦系統通過從用戶的歷史行為中挖掘序列模式來學習用戶的偏好。基于會話的推薦是下一項推薦的特殊情況。與一般的下一項推薦系統使用固定數量的前n項來預測下一項不同，基于會話的推薦系統將用戶的操作分組為互不關聯的會話，只使用當前會話中的項目來進行推薦。其中會話是在時間上接近的一組項目。基于會話的推薦的思想來自于這樣一種觀察，即會話內依賴項對下一項的影響比會話間依賴項更大。因此，一般的下一項推薦系統可能存在合并不相關會話和提取不完整會話的問題。而基于會話的推薦系統則不存在這樣的問題，因此可以做出更準確的推薦，并被部署在許多在線服務中。

本文提出了一種新穎的圖形化社會上下文表示和學習框架——事實新聞圖(FANG)，用于假新聞檢測。與之前的上下文模型以表現為目標不同，我們關注的是表示學習。與直推模型相比，FANG在訓練方面具有可擴展性，因為它不需要維護所有節點，而且在推理時高效，不需要重新處理整個圖。我們的實驗結果表明，與最新的圖形和非圖形模型相比，FANG更善于將社會上下文捕捉到高保真的表現中。特別值得一提的是，FANG在假新聞檢測方面取得了顯著的改進，并且在訓練數據有限的情況下具有較強的魯棒性。我們進一步證明，FANG所學的表示可推廣到相關任務，如預測新聞媒體報道的真實性。

//dl.acm.org/doi/10.1145/3340531.3412046

在信息過載的時代，個性化推薦系統對于輔助用戶決策具有重要意義。同時，對推薦的解釋進一步幫助用戶更好地了解被推薦的項目，從而做出知情的選擇，這就使得可解釋的推薦研究變得非常重要。基于文本句子的解釋由于能夠向用戶傳遞豐富的信息而成為推薦系統的一種重要的解釋形式。然而，現有的句子解釋生成方法要么局限于預定義的句子模板，這限制了句子的表現力，要么選擇自由風格的句子生成，這使得句子質量難以控制。為了同時提高句子表達能力和質量，我們提出了一種神經模板解釋生成框架，它通過從數據中學習句子模板，并生成評論特定特性的模板控制的句子，從而實現了兩方面的優點。在真實數據集上的實驗結果表明，NETE在句子質量和表達能力方面始終優于最新的解釋生成方法。通過對案例研究的進一步分析，也可以看出NETE在產生多樣化和可控解釋方面的優勢。

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.

在各種在線應用中，推薦系統在解決信息爆炸問題、增強用戶體驗方面顯示出了巨大的潛力。為了解決推薦系統中的數據稀疏性和冷啟動問題，研究人員提出了基于知識圖譜的推薦，利用有價值的外部知識作為輔助信息。然而，這些研究大多忽略了多模態知識圖譜(MMKGs)中數據類型的多樣性(如文本和圖像)。為了更好地利用多模態知識，提出了一種多模態知識圖譜注意力網絡(MKGAT)。具體地說，我們提出了一種多模態圖注意力技術，在MMKGs上進行信息傳播，然后使用所得到的聚合嵌入表示進行推薦。據我們所知，這是第一個將多模態知識圖譜引入推薦系統的工作。我們在來自不同領域的兩個真實數據集上進行了大量的實驗，實驗結果表明我們的模型MKGAT能夠成功地應用MMKGs來提高推薦系統的質量。

推薦系統旨在為用戶推薦個性化的在線商品或信息, 其廣泛應用于眾多Web場景之中, 來處理海量信息數據所導致的信息過載問題, 以此提升用戶體驗. 鑒于推薦系統強大的實用性, 自20世紀90年代中期以來, 研究者針對其方法與應用兩方面, 進行了大量廣泛的研究. 近年來, 很多工作發現知識圖譜中所蘊含的豐富信息可以有效地解決推薦系統中存在的一系列關鍵問題, 例如數據稀疏、冷啟動、推薦多樣性等. 因此, 本文 針對基于知識圖譜的推薦系統這一領域進行了全面的綜述. 具體地, 首先簡單介紹推薦系統與知識圖譜中的一些基本概念. 隨后, 詳細介紹現有方法如何挖掘知識圖譜不同種類的信息并應用于推薦系統. 此外, 總結了相關的一系列推薦應用場景. 最后, 提出了對基于知識圖譜的推薦系統前景的看法, 并展望了該領域未來的研究方向.

現有的基于注意力機制的推薦模型存在一些改進的余地。很多模型只在生成用戶的表示時應用了粗粒度的注意力機制，少數改進的模型盡管在注意力模塊中加入了物品的屬性（特征）信息，即融入了物品的相關知識，但仍然僅在用戶表示這一端應用了注意力機制。針對這些問題，本文提出了一種在用戶表示端與物品表示端協同應用（物品）屬性級注意力機制的深度推薦模型，簡稱ACAM（Attribute-level Co-Attention Model），其主要特性為： （1）物品與用戶的初始表示基于知識圖譜中物品屬性的表示（向量），而非單一的隨機初始化向量。 （2）內建協同注意力機制模塊，通過捕獲不同屬性之間的關聯來增強用戶和物品的表示，這是考慮到不同的物品屬性（特征）之間可能存在相關性。例如，電影的屬性中，演員史泰龍與動作題材高度相關，演員鞏俐與導演張藝謀也很相關。因此，基于屬性相關性來增強用戶/物品表示能夠更加精確地揭示目標用戶和候選物品之間的潛在關系，從而提升推薦性能。 （3）采用多任務學習的框架來訓練損失函數，融入知識（嵌入）表示學習的目標，以習得更優的物品和物品屬性的表示。

ACAM模型輸入為目標用戶和候選物品，輸出為兩者匹配的概率 ，其值越大表明越可能喜歡。模型的架構如下圖所示，可分為三個部分：嵌入層、協同注意力機制層與預測層，下面將分別介紹每層的設計細節。

【導讀】越來越明顯的是，廣泛采用的機器學習模型可能導致歧視性結果，并可能加劇訓練數據之間的差異。隨著越來越多的機器學習用于現實世界中的決策任務，必須解決機器學習中的偏見和公平問題。我們的動機是，在各種新興方法中，表示學習為評估和潛在地減輕不公平現象提供了獨特的工具集。本教程介紹了現有的研究，并提出了在表示學習和公平的交集中存在的開放性問題。我們將研究學習公平任務不可知表示的可能性（不可能性），公平性和泛化性能之間的聯系，以及利用來自表示形式學習的工具來實現算法上的個人和群體公平性的機會。本教程旨在為廣大的機器學習實踐者提供幫助，并且必要的背景知識是預測性機器學習的工作知識。

作者介紹

Sanmi Koyejo，伊利諾伊大學香檳分校計算機科學系助理教授。

研究綜述: 我們的研究興趣是開發自適應魯棒機器學習的原理和實踐。最近的一些亮點包括：1）可伸縮的、分布式的和容錯的機器學習；2）度量引出;通過人機交互選擇更有效的機器學習指標。我們的應用研究主要集中在認知神經成像和生物醫學成像方面。最近的一些重點包括①生物圖像的生成模型，②時變腦電圖的估計和分析。

//sanmi.cs.illinois.edu/

論文題目：面向社會計算的網絡表示學習

作者：涂存超

導師：孫茂松， 劉知遠

網址：//nlp.csai.tsinghua.edu.cn/~tcc/#Thesis

論文摘要：在數據挖掘和社交網絡分析中，對于網絡節點的特征表示一直至關重要。隨 著大規模社會網絡的出現，傳統的網絡表示方法面臨著計算效率以及可解釋性的 問題。此外，這些社會網絡往往蘊含著豐富的異構信息，這些特點使得已有的網 絡表示方法不能很好的處理這些大規模社會網絡。 網絡表示學習（NetworkRepresentationLearning），也就是網絡嵌入（Network Embedding），目的是為網絡中的節點學習一個低維實值的向量表示。每個節點對 應的表示向量蘊含了該節點的網絡結構信息以及其它異構信息，這些表示向量一 般被當作特征向量，來進行進一步的網絡分析任務，例如節點分類、鏈接預測、社 區發現等。本文針對網絡節點表示已有工作的不足，提出了在社會網絡中學習節 點顯式及隱式表示的思路，來學習高質量的網絡節點特征向量和提高社交網絡分 析任務的效果。為了學習網絡節點顯式的特征表示，我們進行了如下工作：（1）基 于詞項的顯式網絡表示：針對網絡節點分類任務，我們提出一種雙層分類模型，融 合利用社交網絡用戶異構文本信息和網絡結構信息，來進行職業預測任務。（2）基 于主題標簽的顯式網絡表示：為了提高用戶特征表示的可解釋性問題，我們提出 利用顯式的標簽來表示用戶節點，探究標簽與社交網絡用戶社交行為之間的對應 關系，進行用戶標簽推薦任務。 雖然網絡節點顯式表示可解釋性強，但它面臨著計算效率的問題。基于表示 學習在圖像、語音、文本等領域成功應用，我們提出了一系列基于深度學習的網 絡表示學習的方法，來學習網絡節點的隱式低維表示。這些工作包括：（1）基于最 大間隔的隱式網絡表示：為了提高網絡節點表示的區分性及其在節點分類上的效 果，提出基于最大間隔理論的有區分性的網絡表示學習模型，同時訓練網絡表示 學習模型和最大間隔分類器，顯著提升了網絡節點分類的效果。（2）上下文相關 的隱式網絡表示：針對鏈接預測任務，提出上下文相關的網絡表示學習模型，根據 網絡節點交互的鄰居節點的不同，結合文本信息來學習節點動態的表示向量。由 于引入了互相注意力機制，該模型能夠顯著提高鏈接預測任務的效果。（3）面向 社會關系抽取的隱式網絡表示：為了更好的對節點之間邊上的語義信息進行建模， 提出基于平移思想的網絡表示學習模型，考慮節點之間邊上的標簽信息，來進行 社會關系抽取任務。（4）社區優化的隱式網絡表示：為了考慮社會網絡中全局的 社區特征，我們利用網絡中的社區與文本中的主題之間的類比關系，提出了社區 優化的網絡表示學習模型，來同時學習節點表示和社區發現。

可解釋推薦嘗試開發模型，不僅生成高質量的推薦，而且生成直觀的解釋。解釋可以是事后的，也可以直接來自可解釋的模型(在某些上下文中也稱為可解釋的或透明的模型)。可解釋推薦嘗試解決為什么的問題:通過向用戶或系統設計者提供解釋，它幫助人們理解為什么算法推薦某些項目，而人既可以是用戶，也可以是系統設計者。可解釋推薦有助于提高推薦系統的透明度、說服力、有效性、可信度和滿意度。

在這次調查中，我們回顧了在2019年或之前可解釋的建議的工作。我們首先通過將推薦問題劃分為5W來強調可解釋推薦在推薦系統研究中的地位。什么，什么時候，誰，在哪里，為什么。然后，我們從三個角度對可解釋推薦進行了全面的調查:1)我們提供了可解釋推薦的研究時間軸，包括早期的用戶研究方法和最近的基于模型的方法。2)我們提供了一個二維分類法來對現有的可解釋推薦研究進行分類:一個維度是解釋的信息源(或顯示樣式)，另一個維度是生成可解釋推薦的算法機制。3)我們總結了可解釋推薦如何應用于不同的推薦任務，如產品推薦、社交推薦和POI推薦。我們還專門用一節來討論更廣泛的IR和AI/ML研究中的解釋視角。最后，我們討論了未來可解釋推薦研究領域的發展方向。