我们提出了一种新颖的 Hierarchical Information Enhancement Network (HIENet) 用于级联预测，将信息级联、用户社交图和子级联图集成到一个统一的框架中，并引入了多模式级联变压器来强大地融合这些线索，从而全面了解级联过程。通过广泛的实验证实了该方法的有效性。

Mar, 2024

本文介绍了一种新架构 MTI-Net，它能够显式地模拟每个尺度的任务交互，并通过特征传播模块将提炼的任务信息从较低尺度传播到较高尺度，并通过特征聚合单元汇总所有尺度的任务特征以产生最终的任务预测。该架构通过两个多任务密集标记数据集上的广泛实验证明，相比以前的工作，我们的多任务模型实现了多任务学习的全部潜力，即较小的内存占用，减少计算次数，并与单任务学习相比表现更好。

Jan, 2020

该研究引入了一种新的专家生成方法，它通过将顺序处理通用低级特征与高级特征的并行和嵌套结合起来的新的分层分类网络拓扑结构，实现了动态降低任务和计算复杂度的能力。该方法在资源受限条件下能够选择只有任务相关类别的高级特征，可以显著减少推理成本，对于轻量级和可适应性的网络设计具有前瞻性意义。在动态推理方面，我们的方法可以排除高达 88.7% 的参数和 73.4% 的 GMAC 操作，与比较基准相比，在所评估的案例中，平均减少了 47.6% 的参数和 5.8% 的 GMAC 操作。

Mar, 2024

本文提出一种基于异构网络嵌入的方法 HERec 来解决 HIN-based 推荐系统中的冷启动问题，该方法通过设计基于元路径的随机游走策略来嵌入 HINs，并通过一组融合函数将学习到的节点嵌入首先转换为扩展矩阵分解模型。HERec 模型通过实验表明其有效性，并表明从 HINs 转换的嵌入信息可以改善推荐性能。

Nov, 2017

本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构信息网络进行了广泛实验验证了我们的方法的有效性。

Sep, 2023

本文介绍了一种基于超图的分布式节点嵌入学习框架 DeHIN，通过分布式的超图划分和开发基于超图的并行化节点嵌入算法，实现了对异构信息网络的高效节点嵌入学习和分布式处理。

Jan, 2022

Multi-Scenario Learning is used in recommendation and retrieval systems to transfer learning from different scenarios via different paradigms to refine feature representations in a scenario-aware manner, demonstrating superior ranking performance and adaptive feature learning in production environments, as supported by A/B test results on the Alibaba search advertising platform.

Jun, 2023

该研究关注多任务学习中的数据不足问题，通过在一个情节式的训练环境中探索异构信息和元知识的潜力，有效地应对有限数据并解决数据不足问题。

Oct, 2023

通过 HEER 算法对边表现和异构度量的妥善学习，解决了综合转录异构信息网络的挑战，并在真实数据集上展示了模型的有效性和边表现和异构度量的实用性。

Jul, 2018

本文提出了一种利用多粒度推理信息的分层推理网络模型，该模型包含三个粒度的信息：实体级别、句子级别和文档级别，并采用了翻译约束和双线性变换来获取实体级别的推理信息，并将其与句子表示相结合以实现句子级别的推理信息，最后采用分层聚合方法获取文档级别的推理信息，在 DocRED 数据集上表现优异，证明了使用 BERT 表示可以进一步提高性能。

Mar, 2020