Apr, 2023

基于概率逻辑推理的序列推荐

PDF
TL;DR本文介绍了一种将深度神经网络模型与逻辑推理相结合的框架，称为具有概率逻辑推理的序列推荐，该框架通过在 DNN 和概率逻辑网络中分离特征嵌入和逻辑嵌入来从相似性匹配和逻辑推理中获益，并使用概率方法嵌入用户和项目以更好地捕获用户品味的不确定性和演变。该框架的实验结果证明了其有效性。
发现论文，激发创造
  • 基于逻辑查询的神经符号推荐模型

    我们提出了一种神经符号推荐模型，将用户历史交互转化为逻辑表达式，并将推荐预测转化为基于这个逻辑表达式的查询任务。通过神经网络的模块化逻辑操作计算逻辑表达式，并构建隐式逻辑编码器合理降低逻辑计算的复杂性，实验证明我们的方法在三个著名数据集上相比其他浅层、深层、会话和推理模型表现更好。

    Sep, 2023

  • 带图形增强信息的神经符号推荐

    本文提出一种基于图神经网络和命题逻辑运算的神经符号推荐模型，结合了全局隐式推理能力和局部显式逻辑推理能力，可有效提高推荐系统的准确性。

    Jul, 2023

  • 关系神经机器

    本文介绍了一种新颖的框架 Relational Neural Machines，它可以对学习器的参数和基于一阶逻辑的推理器进行联合训练，下面将介绍其在大规模关系任务中的可行性和良好效果。

    Feb, 2020

  • DELRec: 提炼序列模式以增强基于 LLM 的推荐

    提出了 DELRec 框架，通过两种策略提取 SR 模型展示的行为模式，从而帮助 LLMs 更有效地执行 SR 任务。在三个真实数据集上的广泛实验结果验证了 DELRec 框架的有效性。

    Jun, 2024

  • 一种新的统计关系学习下的神经符号系统

    提出了一种名为 GBPGR 的广义双层概率图推理框架，通过使用统计关系学习启发式地集成了深度学习模型和符号推理，以解决当前人工智能领域中深度学习和符号推理相结合的方法在组合方式、泛化性和可解释性方面的局限性，并通过大量实验证明了该方法在转导和归纳任务中实现了高性能和有效的泛化能力。

    Sep, 2023

  • 深度逻辑模型的学习与推理集成

    该研究提出了深度逻辑模型理论，并将深度学习与概率逻辑推理相结合，以实现智能代理的发展。实验结果表明，该方法优于其他深度学习和推理方法的限制。

    Jan, 2019

  • 神经逻辑推理

    本文介绍了如何利用动态神经网络结构和基本逻辑操作，将深度学习和逻辑推理相结合，提出了名为 LINN 的模型，以推理方式解决推荐系统的问题，并在理论和实践任务中都取得了显著的性能提升。

    Aug, 2020

  • SLMRec: 增强小型语言模型在顺序推荐任务中的能力

    本文通过在大规模行业数据集上进行广泛实验，发现大多数 LLMs 的中间层是多余的，并提出了一种名为 SLMRec 的基于小型语言模型的推荐模型，仅使用 LLM-based 推荐模型中 13% 的参数，同时在训练和推断时间成本上实现了高达 6.6 倍和 8.0 倍的加速。

    May, 2024

  • 小语言模型是否能成为顺序推荐的良好推理者？

    提出了一种基于知识蒸馏的逐步推理框架（SLIM），以在资源高效的方式下实现顺序推荐系统中的大型语言模型的优秀推理能力，通过基于用户行为序列的 CoT 提示生成的合理性用作标签，将合成的标签融入到更小的学生模型中，从而使学生模型能够在推荐任务中逐步推理，实验结果表明 SLIM 具有显著的有效性和可承受的推荐推理成本。

    Mar, 2024

  • 通过可微分符号编程改进语言模型的逻辑推理能力

    本文提出 DSR-LM 框架，通过符号编程实现不同 iable 符号推理框架，其中预训练的语言模型控制事实知识的感知，符号模块执行演绎推理，并改进了 LMs 的逻辑推理能力，结果表明其在推理基准测试中的精度提高了 20% 以上。

    May, 2023