做se要明白网站,网站运营合同,电商在线官方,视觉设计与制作笔记整理#xff1a;王若旭#xff0c;浙江大学在读硕士#xff0c;研究方向为关系抽取#xff0c;零样本学习。本文发表于 www2019#xff0c;参考链接#xff1a;https://arxiv.org/pdf/1905.04413.pdf为了解决推荐系统中协同过滤方法面对的数据稀疏和冷启动的问题王若旭浙江大学在读硕士研究方向为关系抽取零样本学习。 本文发表于 www2019参考链接https://arxiv.org/pdf/1905.04413.pdf 为了解决推荐系统中协同过滤方法面对的数据稀疏和冷启动的问题很多研究者将关注点放在 user 和 item 的属性上通过设计一些算法来探索这些辅助信息。本篇文章基于属性之间并非独立的观点提出 Knowledge Graph Convolutional Networks (KGCN)通过挖掘 item 在 KG 属性上的关系有效地捕获item内部的联系。 具体的做法如下参考下图理解1首先将 user-item 中的 item 和 KG 中 entity 对齐。2计算 user u 和 KG 中 relation r 的得分表示用户 u 对关系 r 的重视程度如一些用户更注重某部电影的导演而非演员。3通过对周围 entity e 施加不同权重计算 item v 拓扑机构表示。其中N(v) 是 v 的邻接节点。4文中提出三种聚合方法来聚合item v的表示和它邻接节点的表示 (S(v)是为了保持每批次的计算模式固定且更高效从N(v)中采样得到的)。5论文采用 hinge loss考虑到算法的效率为每个样本产生 Tu 个负样本且样本满足均匀分布。KGCN算法流程如下数据集包括 movieLens-20MBook-CrossingLast.FM用 Microsoft Satori 进行对齐丢掉了多个匹配的和没有匹配上的 item。数据集统计如下 K: 感知的宽度即考虑的邻居节点数量du,v表示的维度H: 感知的深度即递归的次数 实验结果1整体结果2邻居节点数量K表示的维度d,感知的深度H对结果的影响 OpenKG开放知识图谱简称 OpenKG旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。点击阅读原文进入 OpenKG 博客。
