论文笔记:Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion(KDD2020)
两个问题:
- 会话数据本身缺乏足够的语境信息,无法准确理解用户的偏好;
- 自然语言表达与item级用户偏好之间存在语义差距。
本文提出的解决办法:
结合面向词和面向实体的知识图(KG)来增强CRSs中的数据表示,并采用互信息最大化(Mutual Information Maximization)来对齐词级和实体级语义空间
步骤:
首先使用图神经网络分别学习两个kg上的节点嵌入,然后提出使用互信息最大化方法来弥合两个kg之间的语义鸿沟。其核心思想是:强行拉近将两个KG中在对话中一起出现的word-item的节点表示
其他组件:
基于对齐的语义表示,我们进一步开发了一个kg增强的推荐组件,用于做出准确的推荐,以及一个kg增强的对话组件,可以在响应文本中生成有信息的关键字或条目。
主要结构:
- item多关系知识图谱:通过RGCN得到其向量表示;
- word单关系知识图谱:通过GCN聚合得到其向量表示;
- item-word Attention模块:通过互信息融合,公式如下
直接计算互信得考虑所有的item-word pair,计算复杂度太高,这里采用近似的计算方法:正样本的期望-负样本的期望。
正样本定义为:对话中出现的item和所有有意义word的pair
负样本定义为:随机n个对话中没出现的item-word pair
整体架构图:
总结:
本质上,问题源于:对话模块和推荐模块对应于两个不同的语义空间,即word级语义空间和item级语义空间。本文尝试训练并合并两个特殊的KG,以增强这两个部分的数据表示,来达到更好的推荐效果(item+原因)。就是说在这个统一的语义空间里,每个item向量旁的word向量就是我推荐改item的原因,比如item:午夜凶铃 的周围应该是word:恐怖、惊悚 等。
论文笔记:Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion(KDD2020)相关推荐
- Improving Conversational Recommender System by Pretraining Billion-scale Knowledge Graph论文笔记
原文章:Improving Conversational Recommender System by Pretraining Billion-scale Knowledge Graph (ICDE ' ...
- 【RS】Improving Implicit Recommender Systems with View Data - 使用浏览数据提升隐式推荐系统...
[论文标题]Improving Implicit Recommender Systems with View Data(IJCAI 18) [论文作者]Jingtao Ding , Guanghui ...
- 【论文笔记】Encoding cloth manipulations using a graph of states and transitions
[论文笔记]Encoding cloth manipulations using a graph of states and transitions Abstract 问题: Cloth manipu ...
- 【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 16—Recommender Systems 推荐系统...
Lecture 16 Recommender Systems 推荐系统 16.1 问题形式化 Problem Formulation 在机器学习领域,对于一些问题存在一些算法, 能试图自动地替你学习到 ...
- 关于GCN的论文笔记--End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
用于知识图谱完成的端到端结构感知卷积网络 论文题目 End-to-end Structure-Aware Convolutional Networks for Knowledge Base Compl ...
- 【论文笔记】SEEK: Segmented Embedding of Knowledge Graphs
来自ACL2020 paper:SEEK: Segmented Embedding of Knowledge Graphs code:https://github.com/Wentao-Xu/SEEK ...
- 【论文阅读笔记】Multi-Task Feature Learning for Knowledge Graph Enhanced
Multi-Task Feature Learning for Knowledge Graph Enhanced 1.框架 MKR是一个通用的.端对端深度推荐框架, 由三个主要部分组成:推荐模块.KG ...
- 论文阅读《Do Pre-trained Models Benefit Knowledge Graph Completion?A Reliable Evaluation and a Reasonab》
Do Pre-trained Models Benefit Knowledge Graph Completion? A Reliable Evaluation and a Reasonable App ...
- 斯坦福图机器学习CS224W笔记自用:Heterogeeneous Graphs and Knowledge Graph Embeddings
Todays'Goals: 到目前为止,我们只处理一种边类型的图 如何处理具有多种边类型的(有向)图(又称异构图)? Heterogeneous Graphs(异构图): Relational GCN ...
- 论文阅读课4-Long-tail Relation Extraction via Knowledge Graph Embeddings(GCN,关系抽取,2019,远程监督,少样本不平衡,2注意
文章目录 abstract 1.introduction 2.相关工作 2.1 关系提取 2.2 KG embedding 2.3 GCNN 3. 方法 3.1符号 3.2框架 3.2.1 Insta ...
最新文章
- Mat 类常用函数用法示例
- 线性回归api初步使用
- 光流数据集FlyingChairs下载连接
- java classpath 和 jar 简介
- 认识windows消息机制和Spy++工具
- PFH和FPFH详解
- NHibernate之旅(7):初探NHibernate中的并发控制
- 不止代码:友好城市(动态规划)
- 由于crondtab定时任务导致大量sendmail进程的解决办法
- elementui中表格的表头设置背景颜色
- github下载release连接失败解决方法 亲测有效
- ctab法提取dna流程图_CTAB法原理(植物DNA提取经典方法)
- 计蒜客: 德克萨斯长角牛 (最短路)
- install quantopian时出现No module named pip.req的解决办法
- 中标麒麟官方源——参考
- OpenCV学习常用网址
- (已更新)最新打卡抽奖助手小程序源码,带微信通知功能,去授权
- STM32入门开发--LED模块实现跑马灯
- python 画隐函数图像 画三维显函数图像
- 动态规划题目汇总(持续更新)
热门文章
- 捐一个亿的是加多宝,不是王老吉!只喝加多宝,不喝王老吉!
- 抢滩登陆瑞星杀毒2005(转)
- Python+os+openpyxl 批量获取Excel的文件名和最大行数
- android p适配三星s86,感受三星S8屏幕震撼 先过APP适配这道坎
- 鸿蒙pc系统镜像,鸿蒙系统有pc版么_鸿蒙系统有pc版安装方法
- Netflix时代之后Spring Cloud微服务的未来
- QQ丶微信分享URL Schemes填写
- Chuck语言学习笔记——2.HelloWorld
- 双级矩阵变换器matlab,双空间矢量调制下双级矩阵变换器的谐波分析
- 用户授权中@Secured,@PreAuthorize,@PostAuthorize,@PreFilter,@PostFilter这五个注解的使用