WWWMar, 2020

通过对抗学习从用户 - 物品交互数据挖掘隐式实体偏好以完成知识图谱

PDF
TL;DR本研究提出了一种基于用户交互数据的敌对学习方法，通过结合协同学习算法和图神经网络，有效地解决了知识图谱补全任务中数据异构性和语义复杂性问题。
knowledge graph completionuser-item interaction dataadversarial learningcollaborative learning algorithmsgraph neural networks
发现论文，激发创造
  • 统一知识图谱学习和推荐：走向更好的用户偏好理解

    本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

    Feb, 2019

  • 知识图谱对比学习用于推荐

    提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

    May, 2022

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 用户查询引导目录丰富化

    通过使用用户搜索行为和用户与产品的属性关联，使用用户查询生成相关的目录完成，以指导知识图谱完成方法的预测，从而显著提高预测的正确性和相关性。

    Jun, 2024

  • 多层交互对比学习在知识感知推荐中的应用

    本文提出了一种基于对比学习的知识感知推荐模型，结合了本地和非本地的知识图谱，并采用层级交互对比学习来提高推荐性能。

    Aug, 2022

  • 基于知识图谱的语义对比学习改进内容推荐：多样性和冷启动用户

    我们提出了一种混合多任务学习方法，通过对描述性文本进行基于物品的对比学习，从而更好地理解知识图谱中的实体关系，提供更准确、相关、多样化的用户推荐，特别对有限物品交互的冷启动用户也能发挥作用。我们在两个广泛使用的数据集上进行了大量实验，验证了我们方法的有效性，并且结果表明基于物品的对比学习提高了实体嵌入的质量。

    Mar, 2024

  • 知识图谱完善：基于知识检索和阅读理解的方法

    该研究提出一种基于信息检索和阅读理解的知识图谱自动完成模型，在实验中发现该模型可以很好地解决无法从现有知识中推断的关系，并在多个知识图谱自动完成数据集上取得良好结果。

    Oct, 2022

  • 基于知识图谱交互学习推荐意图

    该研究提出了一种名为 “KGIN” 的知识图谱意图网络模型，应用了关注机制的思想，能够更准确地表达用户与物品之间的相关性，实现了基于图神经网络的推荐系统并取得了显著的性能提升。

    Feb, 2021

  • DEKGCI：一种结合知识图谱和用户 - 物品交互图的双向推荐模型

    本文提出了双向推荐模型 DEKGCI，利用用户物品交互图的高阶协作信号丰富用户表示，同时利用知识图谱的高阶结构和语义信息丰富物品表示，实现了用户和物品之间的有效互动捕捉。在三个真实数据集上的实验结果表明，DEKGCI 相对于七种最先进的基线模型在 AUC 和 ACC 方面具有高效性。

    Jun, 2023

  • 逐步增强的知识图谱补全

    在这篇论文中，我们研究了与真实世界建设场景相关的三个重要过程：验证过程，挖掘过程和训练过程，并通过整合这三个过程引入了渐进式知识图谱完成（PKGC）任务，以模拟在真实世界场景中逐步完善知识图谱的过程。此外，为了加快 PKGC 处理，我们提出了两个加速模块：优化的 Top-k 算法和语义有效性过滤器，这些模块显著提高了挖掘过程的效率。我们的实验证明链接预测的性能不能准确反映 PKGC 的性能，更深入的分析揭示了影响结果的关键因素，并为未来的研究提供了潜在的方向。

    Apr, 2024