语义增强的关系度量学习在推荐系统中的应用
本文提出了一种新的神经架构 LRML (潜在关系度量学习) 用于协同排名与隐式反馈推荐,并在多个推荐基准中实现了最先进的性能。该模型通过学习潜在关系描述每个用户项目交互,通过增强记忆模块和学习余下的记忆块来构建潜在关系。
Jul, 2017
提出了一个多关系记忆网络(MRMN)模型,用于建模用户与物品的多类型交互以及潜在关联性学习,可以更精确地捕获用户的偏好,从而优于当前大多数推荐系统。
Jun, 2019
本文提出了一种基于协作度量学习(Collaborative Metric Learning,CML)模型的层次模型,可以联合捕捉数据中的潜在用户 - 物品和物品 - 物品之间的关系,并在多个真实数据集上的推荐任务中表现出比现有模型更好的性能。
Jul, 2021
本文提出了一种新的神经网络架构,它将多关系图嵌入到灵活的连续向量空间中,以增强数据的原始语义,并在文献标准数据集上表现出了高竞争性的链接预测性能。
Jan, 2013
本文提出了一种深度关系度量学习(DRML)框架,用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布,并使用关系模块和图建模在图像上进行关系推理,得到一种关系感知嵌入来测量相似性,从而有效提高了当前深度度量学习方法的效果。
Aug, 2021
利用外部知识辅助大规模语言模型(LLM)在生成真实可用的文本方面具有潜力,因此我们提出了一种名为‘Knowledge-Enhanced LLMRec’的方法,通过使用外部知识在生成过程中,并且通过基于知识的对比学习方案来训练模型,实验证实了该方法的有效性。
Mar, 2024
本文提出了一种统一的模型框架,用于建模多关系表示、评分和学习,并在此框架下对几种最近的多关系嵌入模型进行了实证研究。研究了基于线性和双线性变换的关系算子的不同选择,以及通过整合额外文本资源上的非监督向量进行实体表示的效果。结果表明了几个有趣的发现,实现了在 Freebase 上进行评估的热门知识库完成任务的最新性能的简单嵌入模型的设计。
Nov, 2014
本文提出了一种基于主观注释的新型监督学习方法来学习统计句子相关性模型,该模型由大规模背景知识语料库中的文本单位关联的参数化共现统计信息组成,并提出了一种高效的算法来从相关性偏好的训练样本中学习语义模型,方法独立于语料库、适用于任何足够大的(非结构化)文本集合,并且可以为特定用户或用户组拟合语义模型。通过广泛的小到大规模实验结果表明,这种方法是有效的,竞争力强。
Nov, 2013
基于语义的图神经网络(SemanticGNN)是在大规模知识图谱中建模实体、语义概念、协作边和语义边,并对其进行表示学习的一种新颖的图模型,通过融合协同活动数据和丰富的语义信息提供更准确的实体相似度计算。实证实验证明所提出的模型在相似度判断任务上的性能提升达到 35%。
Dec, 2023
研究了建立新的 Relational Sentence Embedding(RSE)范式以更好地发现句子嵌入潜力,提出了一种关联嵌入学习方法,作用在源句子上,推断出使用现有的 Siamese-based encoder 的对应目标句子,从学习的嵌入中可以计算出细粒度的关系相似度得分。该方法在 19 个任务中进行了基准测试,取得了良好的效果。
Dec, 2022