带图形增强信息的神经符号推荐
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
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
这篇论文调查了在图结构上执行神经符号推理任务的广泛方法,并提出了一个新的分类法来比较这些方法,包括基于逻辑推理嵌入方法、施加逻辑约束的嵌入方法和规则学习方法。此外,还提供了一个表格概述这些方法。
Feb, 2023
该研究提出了一种知识感知的耦合图神经网络模型,用于解决社交信息推荐系统中用户和项目之间交互异质性、动态性和相互依赖性等问题,实验结果表明该方法在多种情境下有效益。
Oct, 2021
该论文提出了一种新的联合学习框架来整合知识图谱中可解释规则的归纳和基于规则的神经推荐模型构建,增强推荐模块的泛化能力,解决冷启动问题,并在真实世界的数据集上显著提高了物品推荐的性能。
Mar, 2019
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。
Apr, 2023
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
本研究提出了一种新的基于层次图神经网络的社会化推荐框架(SR-HGNN),以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战,并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。
Oct, 2021
人工智能的快速发展,特别是通过深度神经网络,已经在视觉和文本处理等领域取得了显著进展。但是,实现人类类似的推理和可解释的人工智能系统仍然面临重大挑战。神经符号学范式将神经网络的深度学习能力与符号系统的推理能力结合起来,提供了开发更透明和可理解的人工智能系统的有希望途径。本文探讨了基于知识图谱的神经符号一体化的最新进展,阐明了知识图谱在三个关键类别中支撑着这种一体化:通过引入符号知识来增强神经网络的推理和可解释性(Symbol for Neural),通过神经网络方法来提高符号系统的完整性和准确性(Neural for Symbol),以及促进两者在混合神经符号一体化中的应用。本文强调了当前的趋势,并提出了神经符号人工智能领域未来研究的方向。
May, 2024