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

現有的基于評論的推薦模型主要從一組評論中學習長期用戶和項目表示。由于忽略了評論豐富的側面信息，這些模型存在兩個缺點:1)不能捕捉評論中反映的用戶偏好和條目特征的短期變化，2)不能準確地模擬來自評論的高階用戶-條目協作信號。為了克服這些限制，我們提出了一種名為集序列圖(SSG)的多視圖方法，通過引入兩個額外的利用審查的視圖:序列和圖，來擴充現有的單視圖(即集的視圖)方法。特別地，對于分別以集合、序列和圖的形式組織的評審，我們設計了一個三向編碼器體系結構，它聯合捕獲用戶和項目的長期(集合)、短期(序列)和協作(圖)特性，以供推薦。對于序列編碼器，我們提出了一個短期優先注意力網絡，明確地考慮順序和個性化的時間間隔審查。針對圖碼編碼器，我們設計了一種新穎的回顧感知圖注意網絡來建模用戶-項目圖中的高階多方面關系。為了消除捕獲特性中潛在的冗余，我們的融合模塊使用了跨視圖去關系機制，以鼓勵從多個視圖進行不同的表示以進行集成。在公共數據集上的實驗表明，SSG顯著優于最先進的方法。

//www.microsoft.com/en-us/research/publication/set-sequence-graph-a-multi-view-approach-towards-exploiting-reviews-for-recommendation/

論文專欄：KDD 2020 知識圖譜相關論文分享

論文解讀者：北郵 GAMMA Lab 博士生 閆博

題目：利用多信號輸入推斷知識圖譜中節點的重要性 會議： KDD 2020 論文地址：//dl.acm.org/doi/10.1145/3394486.3403093 推薦理由：這篇論文是作者在KDD19上利用單一輸入信號進行節點重要性推斷論文的后續研究，擴展成了多輸入信號。利用迭代的方式對輸入的不同類信號進行聚類，從而解決不同信號的沖突問題。實驗表明，多種信號比相比單一信號，能更準確地推斷出節點的重要性，對輸入信號進行迭代聚類的方式有效解決了信號沖突問題。 節點重要性估計是知識圖譜中一項重要的任務，它可以被下游許多任務利用，如推薦系統，搜索和查詢消歧，節點資源分配等。在現實生活中，除了知識圖譜本身的信息，還有許多外界的輸入信息(輸入信號)，這些輸入信號對節點的重要性評估也至關重要。此任務的關鍵是如何有效利用來自不同來源的輸入信號。這些外部輸入信號，例如票數或瀏覽量，可以直接告訴我們知識圖譜中實體的重要性。現有方法無法同時考慮多個信號，所以它們對這些外部信號的使用受到一定限制，造成了外部信號的利用率低下。本文設計了一個端到端的隱變量模型MultiImport，從多個稀疏，可能重疊的輸入信號中推斷潛在節點的重要性。它捕獲節點重要性和輸入信號之間的關系，并有效地處理了多個信號的潛在沖突問題。在多個知識圖譜上的實驗表明，MultiImport在利用多個輸入信號推斷節點重要性的任務中優于現有方法，并且與最先進的方法相比，NDCG@100提高了23.7％ 。

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。

//www.zhuanzhi.ai/paper/f89bf5e9ab6b630c51edddff406566f4

推薦系統在web應用中扮演著過濾大量信息和匹配用戶興趣的基礎角色。雖然許多人致力于開發各種場景下更有效的模型，但對于推薦系統可解釋性的探索卻處于滯后狀態。解釋可以幫助改善用戶體驗和發現系統缺陷。本文在正式引入與模型可解釋性相關的要素后，通過提高表示學習過程的透明度，提出了一種新的可解釋推薦模型。具體地說，為了克服傳統模型中的表示糾纏問題，我們修改了傳統的圖卷積來區分不同層次的信息。此外，每個表示向量被分解為若干段，其中每個段與數據中的一個語義方面相關。與之前的工作不同，在我們的模型中，因子發現和表示學習同時進行，我們能夠處理額外的屬性信息和知識。通過這種方式，該模型可以學習對用戶和項的可解釋和有意義的表示。與傳統方法需要在可解釋性和有效性之間進行權衡不同，我們所提出的可解釋模型在考慮了可解釋性后，其性能沒有受到負面影響。最后，通過綜合實驗驗證了模型的性能和解釋的可信度。

近年來，深度神經網絡在許多研究領域取得了成功。大多數神經網絡設計背后的基本思想是從數據中學習相似模式，用于預測和推理，這缺乏認知推理能力。然而，具體的推理能力對于許多理論和實踐問題是至關重要的。另一方面，傳統的符號推理方法在邏輯推理方面做得很好，但它們大多是基于規則的硬推理，由于不同的任務可能需要不同的規則，使得它們的泛化能力局限于不同的任務。推理和泛化能力對于預測任務都很重要，比如推薦系統，推理為精確預測提供了用戶歷史和目標項目之間的緊密聯系，泛化幫助模型在噪聲輸入中繪制出一個穩健的用戶畫像。

在本文中，我們提出了邏輯集成神經網絡(LINN)來集成深度學習和邏輯推理的能力。LINN是一個根據輸入邏輯表達式構建計算圖的動態神經結構。它學習基本的邏輯操作，如AND, OR，而不是神經模塊，并通過網絡進行命題邏輯推理進行推理。理論任務實驗表明，LINN在求解邏輯方程和變量方面都取得了顯著的效果。此外，我們通過將實際的推薦任務構造成一個邏輯推理問題來測試我們的方法。實驗表明，LINN在Top-K推薦方面的性能顯著優于現有推薦模型，驗證了LINN在實際應用中的潛力。

題目：

Mining Implicit Relevance Feedback from User Behavior for Web Question Answering

簡介：

訓練和刷新用于多語言商業搜索引擎的Web級問答系統通常需要大量的數據。一個想法是從搜索引擎日志中記錄的用戶行為從而挖掘隱式相關性。以前所有有關挖掘隱式相關性的著作都將反饋的目標指定為Web文檔的相關性。由于QA任務中的幾個獨特特性，現有的Web文檔用戶行為模型無法應用于推斷段落相關性。在本文中，我們進行了第一項研究，以探索用戶行為與段落之間的相關性，并提出了一種挖掘Web QA訓練數據的方法。我們對四個測試數據集進行了廣泛的實驗，結果表明，在沒有人標記的數據中，我們的方法顯著提高了段落排名的準確性。實際上，已證明這項工作有效地降低了全球商業搜索引擎中質量檢查服務的人工標記成本，尤其是對于資源較少的語言。

位置偏差是信息檢索中處理隱式但有偏差的用戶反饋數據的關鍵問題。無偏排序方法通常依賴于因果關系模型，并通過反傾向加權消除用戶反饋的偏差。這些方法雖然實用，但仍存在兩個主要問題。首先，在推斷用戶單擊時，上下文信息(如已檢查的文檔)的影響常常被忽略。第二，只考慮了位置偏差，忽略了用戶瀏覽行為引起的其他問題。在本文中，我們提出了一個端到端的深度遞歸生存排序(DRSR)，一個統一的框架來聯合建模用戶的各種行為，以 (i)考慮排序列表中豐富的上下文信息; (ii)解決隱藏在用戶行為背后的問題，即，在沒有任何點擊的查詢中挖掘觀察模式(非點擊查詢)，對不能真實反映用戶瀏覽意圖的跟蹤日志進行建模(不可信觀察)。具體來說，我們采用遞歸神經網絡來建模上下文信息，并估計用戶在每個位置反饋的條件似然。然后，我們將生存分析技術與概率鏈式法則相結合，以數學方式恢復一個用戶的各種行為的無偏聯合概率。DRSR可以很容易地與點和成對的學習目標結合起來。對兩個大型工業數據集的大量實驗表明，我們的模型與最先進的技術相比，具有顯著的性能增益。