- 跨领域推荐系统中的双曲知识传输
本研究介绍了一种名为 HCTS 的新框架,用于捕捉不同领域的独特特征,实现领域间的高效知识传递,并通过将用户和物品分别嵌入不同具有可调节曲率的双曲流形来预测,从而改善目标领域用户和物品的表示。实验结果表明,双曲流形对于跨领域推荐任务是一种有 - 使用先进的 Transformer 模型进行信用卡欺诈检测
通过使用最新的 Transformer 模型进行数据处理和高度相关向量选择,本研究致力于创新应用于更可靠和精确的欺诈检测,通过与多个广泛采用的模型进行性能比较,包括支持向量机(SVM),随机森林,神经网络和逻辑回归等,比较指标如 Preci - 通过关系网络进行归纳式知识图谱补全的逻辑推理
针对归纳性知识图谱补全(KGC)的问题,我们提出了一种新颖的 iNfOmax RelAtion Network(NORAN),旨在挖掘适用于归纳性 KGC 的潜在关系模式,实验结果表明我们的框架在五个基准测试中显著优于现有的 KGC 方法。
- UzMorphAnalyser: 用词尾进行乌兹别克语言的形态分析模型
该论文提出了对乌兹别克语词汇进行形态分析、寻找词干、确定词性信息的模型,经过验证和评估后,该模型在词级别的准确度超过了 91%,并且已经以基于 Web 应用程序和开源 Python 库的形式提供。
- 加速反应流高保真模拟的概率传递学习方法
利用贝叶斯神经网络和自编码器来降低状态空间的维度,将知识从源域传递到目标域,该新颖的概率迁移学习框架在低维度和稀疏数据情境下能够正确预测热化学状态,并且比现有的确定性迁移学习策略所需的数据量少四倍。
- 扩散模型中的合成数据改善药物发现预测
人工智能在药物研发的各个阶段中得到了越来越多的应用。我们提出了一个新的数据挑战,即数据集常常相互独立收集,缺乏重叠部分,导致数据稀疏。为解决这一挑战,我们提出了一种新颖的扩散图神经网络模型 Syngand,可以全面生成配体和药物动力学数据。 - 基于图的协同过滤中的对比视图和难例抽样的随机抽样
我们提出了一种新颖的随机抽样方法 SCONE,通过基于评分的生成模型生成动态增强视图和多样的困难负样本,以克服数据稀疏性和负采样等图协同过滤模型面临的挑战。在六个基准数据集上的全面评估中,我们的 SCONE 显著提高了推荐准确性和鲁棒性,证 - 混合监督图对比学习用于推荐
本文提出了一种 Mixed Supervised Graph Contrastive Learning for Recommendation (MixSGCL) 方法,通过将推荐和无监督对比损失的训练整合为一个监督对比学习损失,解决了当前基 - 推荐系统中自监督学习的综合调查
推荐系统在面对信息过载的挑战中发挥着关键作用,通过基于个人用户偏好的个性化推荐提供了解决方案。深度学习技术(如 RNN、GNN 和 Transformer 架构)显著推动了推荐系统的发展,增强其对用户行为和偏好的理解。然而,在现实场景中,监 - 基于评论的跨领域推荐:超几何嵌入与层次感知领域解耦
基于评论文本的超几何 CDR 方法用于建模用户 - 商品关系,此方法通过层次感知的嵌入和领域对齐方案解决了欧几里得嵌入空间的局限性,并通过实验证实了其在效率、鲁棒性和可扩展性方面与现有方法的比较优势。
- MD-PK: 通過提示學習和知識蒸餾進行隱喻檢測
通过知识蒸馏和提示学习,我们设立了一种为隐喻检测任务设计的提示学习模板,使得模型能够准确推断目标词的上下文含义,并使用先验知识的教师模型生成有意义的软标签,从而使得模型能够更好地应对数据稀疏性和过度自信的问题,并在多个数据集上取得了最新的实 - WWWRecDCL:双重对比学习推荐
通过利用自我监督的推荐算法,本文提出了一种名为 RecDCL 的方法,它采用对比学习,解决了数据稀疏性和特征维度的问题,并在推荐任务中取得了优于现有模型的效果。
- 通过自监督预训练提升在线广告中的转化率预测
使用自监督预训练的方法来改善在线广告系统中的点击率预测模型,通过训练一个辅助自编码器模型来丰富主要的点击率预测模型,提高相关性、稳定性和网络规模,最终成功部署到 Yahoo 原生广告系统。
- 基于 QoS 的图对比学习的 Web 服务推荐
通过使用质量服务(QoS),我们提出了一种名为 QoS 感知图对比学习(QAGCL)的新方法来解决 Web 服务推荐中的数据稀疏性和冷启动问题,通过构建具有地理位置信息和随机性的上下文增强图,学习用户和服务的嵌入,并将其无缝地整合到推荐过程 - 多视角用户表示学习的无个人信息用户匹配
旅行业的数字化加速推动了对旅行者行为的分析和理解,然而,由于旅行者与旅行提供商的互动频率相对较低,旅行者数据经常表现出高数据稀疏性。为了应对这些挑战,我们提出了基于相似性的多视图信息融合方法,从 URL 中学习更好的用户表示,将 URL 视 - 信噪比对应用于海洋生物声学数据的生成对抗网络的影响
探讨信噪比对音频生成对抗网络(GAN)性能的影响,以及针对 GAN 性能的三种不同评估方法,得出关于信噪比对 GAN 和 WaveGAN 的影响的有趣结果。
- 下一个 POI 的超关系知识图神经网络
基于移动技术和位置感知社交网络中的 POI 推荐系统的知识图谱建模的研究,以及超关系和数据稀疏性的影响与解决方法的探讨。
- 利用数据集亲和性预测在目标检测中评估训练数据
通过在标准目标检测流程中引入数据源预测模块,我们提出了一种方法来评估数据汇总的有效性,并展示了所谓的数据亲和性得分在从异构车辆数据集中自动选择样本时的好处。结果显示,即使在训练样本显著稀疏的情况下,目标检测器仍能保持检测准确性。
- 对话式推荐的对比多级图神经网络
本文提出了一种新颖的对比多层图神经网络方法(CM-GNN)来更好地利用复杂和高阶的物品转换信息,并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明,所提出的方法优于现有的会话推荐技术。
- MMCDR-Adapter:学习适配器以提取跨领域推荐模型更多的迁移能力
本研究提出了一种名为 CDR-Adapter 的可扩展和高效的跨领域推荐模型,通过解耦原始推荐模型和映射函数的方式,有效解决了数据稀疏性和冷启动问题,并且无需重新设计网络结构。CDR-Adapter 采用适配器模块对特征表示进行对齐,实现了