- 博客(6)
- 收藏
- 关注
RSS订阅原创 论文笔记What does BERT know about books, movies and music Probing BERT for Conversational Recommendation
论文出发点： 现成的BERT模型在它们的参数中存储了多少关于推荐项目（电影，书籍，音乐）的知识 通过三个任务：推荐，搜索，对话推荐 分别对应三个原理：基于协同，基于内容，协同+内容 如何将BERT保存的知识更好的融入对话推荐当中 ...
2021-12-09 09:36:00
351
原创 论文笔记：Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion(KDD2020)
两个问题： 会话数据本身缺乏足够的语境信息，无法准确理解用户的偏好； 自然语言表达与item级用户偏好之间存在语义差距。 本文提出的解决办法： 结合面向词和面向实体的知识图(KG)来增强CRSs中的数据表示，并采用互信息最大化(Mutual Information Maximization)来对齐词级和实体级语义空间 步骤： 首先使用图神经网络分别学习两个kg上的节点嵌入，然后提出使用互信息最大化方法来弥合两个kg之间的语义鸿沟。其核心思想是：强行拉近将两个KG中在对话中一起出现的word-item的节
2021-12-04 15:18:10
1045
1
原创 论文笔记：End-to-End Learning for Conversational Recommendation: A Long Way to Go?（RecSys 2020）
现象： 对于文中提到的两类对话系统（Towards Knowledge-Based Recommender Dialog System（EMNLP19）和Towards deep conversational recommendations（NIPS2018）） 大约有三分之一的系统话语在给定的上下文中是没有意义的，这种就容易导致对话中断； 约有三分之一以上的建议不符合建议寻求者假定的偏好； 两类系统都没有生成话语，因为几乎所有的系统反应都是已经出现在训练数据中了。 问题： 目前发表在高质量研究机构的
2021-12-04 14:33:26
271
原创 对话系统综述 *Advances and Challenges in Conversational Recommender Systems: A Survey*
对话系统综述 Advances and Challenges in Conversational Recommender Systems: A Survey 对话推荐相比于传统推荐的两大好处： 用户的真实偏好是什么？ 为什么用户喜欢这个item？ 从五个方面总结对话推荐系统发展面临的主要挑战： 基于问题的用户偏好诱导 多回合会话推荐策略 对话理解与生成 Exploitation-exploration权衡（爱好和新颖） 评估和用户仿真 问题： 1. 基于全items的交互效率太低，一种方
2021-11-30 11:16:42
552
原创 Pytorch快速入门
简例 import torch """第一步：定义自己的模型""" class MyModel(torch.nn.Module): def __init__(self): super().__init__() # 声明并初始化模型所需的神经网络层 self.mlp = torch.nn.Linear(1, 1) # y = ax + b形式 def forward(self, x): # 将__init__()声明的网
2021-06-15 14:41:44
531
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人